KI-gestützte Wissensarbeit

Zusammenfassung

Spezifikationsgetriebene Workflows sind nicht auf Software Engineering beschränkt. Sie helfen auch dabei, KI-gestütztes akademisches Schreiben, Forschung, Bildungsinhalte, technische Dokumentation, juristisches und regulatorisches Schreiben, Policy-Arbeit und andere wissensintensive Tätigkeiten zu strukturieren.

Das zugrunde liegende Muster bleibt stabil, auch wenn sich einzelne KI-Produkte ändern:

• Ziel und Grenzen definieren
• relevanten Kontext in dauerhaften Artefakten bewahren
• Entwürfe iterativ erzeugen und verfeinern
• das Ergebnis gegen explizite Standards validieren
• Menschen für Beurteilung und Freigabe verantwortlich halten
• Automatisierung durch Review, Zugriffskontrolle und Nachvollziehbarkeit steuern

Diese Seite konzentriert sich auf diese stabilen Prinzipien und nicht auf ein bestimmtes KI-Werkzeug.

Persönliche Notiz / hilfreiches Denkmodell: Eine praktische Art, über KI nachzudenken, ist, sie als modernes Orakel zu sehen. In der Informatik ist ein Orakel ein hypothetisches System, das eine Klasse von Fragen beantwortet. In der Kryptografie kann ein Orakel abgefragt werden, ohne seine interne Arbeitsweise offenzulegen. Fragen gehen hinein, Antworten kommen heraus, und das Innere bleibt verborgen. Genau deshalb sind Vertrauen, Validierung, Governance und Verantwortlichkeit wichtig.

Von interaktiver KI zu agentischen Workflows

Viele Menschen begegnen KI-gestützter Arbeit zuerst über interaktive webbasierte Systeme. Das ist ein vernünftiger Ausgangspunkt.

Spezifikationsgetriebene Workflows erfordern keine Coding-Agenten, Terminalwerkzeuge oder Repository-Automatisierung. Interaktive KI kann bereits bei nützlicher Arbeit in frühen Phasen helfen, etwa beim Entwerfen von Spezifikationen, beim Prüfen von Dokumenten, beim Verfeinern von Anforderungen, beim Generieren von Kandidateninhalten, beim Erkennen von Lücken, beim Vorschlagen von Validierungsstrategien und beim Erkunden von Alternativen.

Dadurch wird interaktive KI zu einem natürlichen Einstiegspunkt für Menschen, die an einmaligen Dokumenten, frühen Entwürfen oder kleinen Projekten arbeiten. Eine Forscherin kann sie nutzen, um die Gliederung eines Papers zu schärfen. Eine Lehrkraft kann sie einsetzen, um Lernziele und Schwierigkeitsgrad zu verfeinern. Ein Policy-Team kann damit mögliche Dokumentstrukturen vergleichen, bevor das formale Schreiben beginnt. Ein juristisches oder regulatorisches Team kann fehlende Definitionen, ungelöste Annahmen oder Review-Abhängigkeiten sichtbar machen.

Der zentrale Gedanke ist, dass die Spezifikation nicht auf Softwarefunktionen beschränkt ist. In breiterer Wissensarbeit kann eine Spezifikation festlegen:

• Ziele
• Einschränkungen
• Qualitätserwartungen
• Zielgruppe
• Terminologie
• Evidenzanforderungen
• Anforderungen an Barrierefreiheit
• Compliance-Verpflichtungen
• Veröffentlichungsstandards

Ein wissenschaftlicher Artikel kann zum Beispiel durch Erwartungen an Zitationsstil, Evidenzniveau, Terminologiekonsistenz, ethische Offenlegung, Zielpublikation und Sprachqualität geprägt sein. Lehrmaterial kann Lernziele, Lesbarkeit, Curriculumsbezug, Anforderungen an Barrierefreiheit und Bewertungsregeln erfüllen müssen. Technische Dokumentation muss möglicherweise mit Produktverhalten, Veröffentlichungsstruktur, Screenshot-Regeln und Versionierungsrichtlinien übereinstimmen. Juristische oder politische Texte müssen eventuell Gerichtsbarkeit, freigegebene Terminologie, Review-Gates und verpflichtende Referenzen berücksichtigen.

In all diesen Fällen hilft die Spezifikation dabei, die Arbeit von vagem Prompting hin zu expliziter Absicht zu verschieben.

Markdown als dauerhaftes Wissensformat

In der Praxis speichern viele Teams Spezifikationen, Notizen, Reviews, Befunde, Prompts und Workflow-Artefakte in Markdown. Markdown ist nicht das einzige nützliche Format, aber oft ein praktisches, weil es:

• ohne Spezialsoftware lesbar ist
• ausreichend maschinenlesbar für Automatisierung ist
• gut mit Versionsverwaltung und Diff-Review funktioniert
• werkzeug- und plattformübergreifend portabel ist
• über lange Zeiträume hinweg beständig ist

Diese Eigenschaften sind in KI-gestützter Arbeit wichtig, weil Kontext nur dann wertvoll ist, wenn er bewahrt, erneut betrachtet und wiederverwendet werden kann. Markdown erleichtert es, mehr als nur das Endergebnis zu erhalten. Es kann Ziele, Annahmen, Grenzen, Review-Befunde, Veröffentlichungsregeln, Validierungsergebnisse und Entscheidungen samt ihrer Begründung festhalten.

Das ist für Menschen nützlich, weil es Nachvollziehbarkeit und Review verbessert. Es ist auch für KI-Systeme nützlich, weil wichtiger Kontext in einem Format erhalten bleibt, das sich mit relativ wenig Reibung zitieren, durchsuchen, zusammenfassen und wieder abrufen lässt.

Markdown sollte nicht als magische Lösung behandelt werden. Es garantiert weder Korrektheit noch Aktualität noch gutes Urteilsvermögen. Aber es dient oft gut als dauerhaftes Medium für organisatorisches Gedächtnis.

Iterative Verfeinerung ist der Normalfall

Reale KI-gestützte Workflows sind selten linear. Die Spezifikation ist am Anfang oft unvollständig und wird durch die Diskussion klarer.

Ein realistischer Zyklus sieht oft so aus:

1. Ziel definieren
2. Spezifikation entwerfen
3. ein erstes Ergebnis erzeugen
4. das Ergebnis prüfen
5. die Spezifikation verfeinern
6. die Überarbeitung validieren
7. wiederholen, bis das Ergebnis akzeptabel ist

Das ist wichtig, weil sich viele Menschen einen KI-Workflow immer noch als einen einzelnen Prompt mit einer fertigen Antwort vorstellen. Bei ernsthafter Arbeit entsteht Qualität gewöhnlich nicht so. Sie entsteht häufiger durch schrittweise Präzisierung.

Der Mensch bleibt während dieses gesamten Zyklus zentral. KI kann bei Generierung, Organisation, Transformation, Vergleich und Review helfen, aber Menschen bleiben verantwortlich für:

• Ziele
• Prioritäten
• Abwägungen
• Freigabeentscheidungen
• Qualitätsurteile

In diesem Sinn ist der Mensch nicht nur ein Prompt-Schreiber. Er oder sie handelt als Reviewer, Editor, Fachexperte und Entscheidungsträger.

Warum interaktive KI irgendwann an praktische Grenzen stößt

Interaktive KI bleibt auch in reiferen Workflows nützlich, aber größere Projekte zeigen oft zwei wiederkehrende Grenzen: Kontext und Werkzeuge.

Kontext ist endlich. Selbst wenn moderne Systeme große Informationsmengen verarbeiten können, ist es dennoch unpraktisch, jede Spezifikation, jeden Befund, jede Quelle, jeden Review-Kommentar und jedes Hintergrunddokument dauerhaft in einer einzigen Unterhaltung präsent zu halten. Wenn ein Projekt wächst, geht es nicht nur um die Gesamtmenge. Das Problem ist auch die Relevanz.

Deshalb stützen sich viele agentische Workflows auf Retrieval. Statt zu versuchen, alles gleichzeitig aktiv sichtbar zu halten, speichert das System dauerhafte Unterlagen und ruft bei Bedarf die relevantesten Materialien ab. Das Ziel ist nicht unbedingt, mehr Information auf einmal bereitzustellen, sondern die richtige Information dann bereitzustellen, wenn sie gebraucht wird.

Werkzeugzugriff ist die zweite Grenze. Interaktive Webplattformen bieten meist sorgfältig ausgewählte Werkzeuge, die für ein breites Publikum verlässlich funktionieren sollen. Diese Auswahl hat echte Vorteile:

• Verlässlichkeit
• Wartbarkeit
• Sicherheit
• Konsistenz

Spezialisierte Arbeit braucht aber häufig spezialisierte Software. Eine allgemeine Oberfläche reicht für einen Workflow möglicherweise nicht aus, wenn er von Zitationsprüfung, OCR, Veröffentlichungssystemen, Browser-Automatisierung, statistischer Analyse oder Compliance-Review abhängt.

Das ist ein Grund dafür, dass agentische Workflows entstanden sind. Sie erlauben KI-Systemen, gezielt Kontext abzurufen, relevante Werkzeuge aufzurufen, Arbeit zu validieren und über größere Materialbestände hinweg weiter zu iterieren.

Skills, Werkzeuge und spezialisierte Systeme

In KI-gestützter Arbeit sind Werkzeuge oft Schnittstellen zu spezialisierten Systemen und kein Ersatz für sie.

Beispiele sind:

• Rechtschreib- und Sprachvalidierung
• OCR
• Browser-Automatisierung
• Diagrammerzeugung
• Zitationsvalidierung
• Statistiksoftware
• Veröffentlichungssysteme
• Dokumentverarbeitungssysteme

Ein akademischer Workflow kann auf TeX- oder LaTeX-Toolchains, Literaturverwaltungsprogramme, Journal-Templates und Statistikpakete angewiesen sein. Ein Dokumentations-Workflow kann auf Link-Checker, Accessibility-Validatoren, Screenshot-Workflows und Veröffentlichungspipelines angewiesen sein. Ein juristischer oder politischer Workflow kann Dokumentenmanagementsysteme, Klauselbibliotheken, Review-Systeme oder regulatorische Referenzdatenbanken benötigen.

Das KI-System übernimmt Koordination und Schlussfolgern, während spezialisierte Werkzeuge domänenspezifische Arbeit leisten.

Wenn Workflows reifer werden, werden wiederkehrende Anweisungen oft zu wiederverwendbaren Assets wie Skills, Templates, Prozeduren, Workflow-Definitionen und Validierungsregeln. Das ist eine der wichtigsten Arten, wie organisatorisches Wissen mit der Zeit beständiger wird. Was als wiederholte Gesprächsanweisung beginnt, wird häufig zu einem wiederverwendbaren und reviewbaren Asset.

Validatoren und institutionelle Standards

Validatoren sind ein wichtiger Teil spezifikationsgetriebener Wissensarbeit, weil sie helfen zu prüfen, ob ein Artefakt einen Teil seiner Spezifikation erfüllt.

Je nach Bereich können Validatoren Folgendes umfassen:

• Validatoren für Sprachqualität
• Stil-Validatoren
• Zitationsvalidatoren
• Validatoren für Barrierefreiheit
• Compliance-Validatoren
• Publishing-Validatoren

Validatoren sollten nicht als wichtiger behandelt werden als der Inhalt selbst. Sie ersetzen weder Autorschaft noch Expertise noch Urteilsvermögen. Aber sie überdauern oft einzelne Projekte und helfen, Standards über die Zeit hinweg zu bewahren.

Ein Zitationsvalidator, der für einen Publikationsworkflow erstellt wurde, kann später viele weitere Veröffentlichungen unterstützen. Ein Terminologie-Validator kann Inkonsistenzen zwischen Autorinnen, Autoren und Teams reduzieren. Validatoren für Barrierefreiheit und Publishing können helfen, institutionelle Qualitätserwartungen zu erhalten, selbst wenn sich Mitwirkende und Werkzeuge ändern.

Nicht von jeder Autorin und jedem Autor sollte erwartet werden, solche Validatoren persönlich zu bauen. In vielen Fällen erfordert diese Arbeit technische Expertise, Domänenwissen, Infrastruktur und Wartung. Es ist vernünftig, wenn Universitäten, Verlage, Forschungsgruppen, öffentliche Institutionen oder interne Plattformteams gemeinsame Validatoren bereitstellen, statt zu erwarten, dass jede schreibende Person sie selbst von Grund auf erstellt.

Dauerhafte Formate jenseits von Text

Obwohl Markdown für textliche Artefakte oft praktisch ist, sind auch andere dauerhafte Formate wichtig.

SVG ist häufig ein nützliches Format für Diagramme, weil es textbasiert, skalierbar, einigermaßen diff-freundlich und sowohl für menschliche Bearbeitung als auch für KI-gestützte Verarbeitung zugänglich ist. Es ist nicht immer das richtige Format, aber es funktioniert gut, wenn Diagramme als lebendige Artefakte gepflegt werden sollen und nicht als undurchsichtige Bilder.

Das allgemeine Prinzip ist breiter als ein einzelner Dateityp: Formate, die prüfbar, portabel und wartbar bleiben, unterstützen KI-gestützte Workflows meist besser als Formate, die Struktur verbergen oder Review unnötig erschweren.

Lokalisierung und Lesekontext

Spezifikationsgetriebene Workflows gelten auch für mehrsprachige Arbeit. Spezifikationen, Review-Befunde, Beispiele und Workflow-Artefakte müssen möglicherweise alle lokalisiert werden.

Wenn Dokumente lokalisiert werden, sollten Beispiele nach Möglichkeit ebenfalls lokalisiert werden. Unnötige englische Zitate erhöhen die kognitive Last für Lesende, die den übrigen Text in einer anderen Sprache lesen.

Ausnahmen können sein:

• Firmennamen
• Produktnamen
• Standards
• Befehle
• Code
• Protokollnamen

Das Ziel ist keine sprachliche Reinheit. Das Ziel ist, Reibung für die Lesenden zu verringern und Workflow-Artefakte in ihrer Arbeitssprache verständlich zu halten.

Eine kurze Workflow-Fallstudie

Das zugehörige Transkript zu diesem Thema ist ein nützliches Beispiel dafür, wie sich Spezifikationen durch Diskussion weiterentwickeln. Es begann nicht mit einer vollständig ausgearbeiteten Kapitelstruktur. Die Anforderungen entstanden iterativ.

Eine verkürzte Form dieser Diskussion sah so aus:

• erste Idee: “extend the doc … practical insight … academic, educational and possibly legal writing”
• Kritik: “I would not make it so direct … validators have long term uses”
• Erweiterung des Umfangs: “first I’d focus on interactive web AI”
• praktische Grenzen: “there’s limit how much context AI can hold at once …”
• Workflow-Architektur: “role of skills … interface to specialised programs”
• Governance-Bedenken: “serious security implications of using third party skills”
• Lokalisierungsbedenken: “quotes should also be localized to each language”
• Konsolidierung: “one big topic … prefer few larger articles”

Diese Abfolge ist repräsentativer für reale KI-gestützte Arbeit als eine glatt polierte Erfolgsgeschichte. Die wichtige Lehre ist nicht, dass am Ende ein perfekter Prompt entstanden ist. Die wichtige Lehre ist, dass Anforderungen, Einwände, redaktionelle Entscheidungen und Governance-Bedenken schrittweise in eine klarere Spezifikation überführt wurden.

Governance, Vertrauen und Sicherheit

Wenn KI-Systeme sich von passiver Entwurfshilfe hin zu Werkzeugnutzung und Workflow-Ausführung bewegen, wird Governance wichtiger, nicht weniger wichtig.

Traditionelle Softwaresicherheit hat sich oft auf ausführbaren Code konzentriert. In KI-gestützten Systemen ist die Grenze breiter. Schon Anweisungen selbst können Verhalten beeinflussen. Spezifikationen, Workflow-Definitionen, Prompts und Skill-Beschreibungen können sich alle darauf auswirken, was das System tut und wie es das tut.

Das bedeutet nicht, dass jede Textdatei als inhärent gefährlich betrachtet werden sollte. Es bedeutet aber, dass Organisationen Vertrauensgrenzen sorgfältig durchdenken sollten. In KI-gestützten Umgebungen ist mancher Text nicht nur beschreibend. Er kann operativ werden.

Skills, Integrationen und Vertrauensgrenzen

Drittanbieter-Skills, Werkzeuge, Workflow-Pakete und Integrationen können nützlich sein, sie werfen aber auch Governance-Fragen auf.

Organisationen bevorzugen mit gutem Grund oft:

• intern entwickelte Skills
• institutionell geprüfte Workflows
• vertrauenswürdige Anbieter
• gesteuerte Integrationen

Das ist besonders relevant, wenn ein Skill oder eine Integration Retrieval, Transformation, Publishing, externen Zugriff oder Werkzeugaufrufe beeinflussen kann. Ein gut gesteuerter Workflow achtet gewöhnlich nicht nur darauf, was die KI sagen kann, sondern auch darauf, was sie erreichen, auslösen oder verändern kann.

Große Anbieter wie OpenAI, Microsoft und Oracle können Tooling-Ökosysteme und Integrationsschichten bereitstellen, aber die dauerhafte Governance-Frage lautet nicht, welches aktuelle Produkt existiert. Die Frage ist, ob die Organisation die Workflow-Grenze versteht und ihr vertraut, die sie übernimmt.

Autorisierung außerhalb des KI-Reasonings halten

Ein nützliches Gestaltungsprinzip ist, Autorisierungsentscheidungen nach Möglichkeit außerhalb des KI-Systems zu halten.

KI kann helfen zu entscheiden, welche Aktion angemessen erscheint, aber die tatsächliche Berechtigung, diese Aktion auszuführen, sollte idealerweise durch Systeme durchgesetzt werden, die für Authentifizierung, Autorisierung, Auditing und Credential-Management gebaut wurden. In der Praxis bedeutet das häufig, sich auf Folgendes zu stützen:

• Identity-Provider
• rollenbasierte Zugriffskontrolle
• Datenbankberechtigungen
• API-Gateways
• Workflow-Freigaben
• sicheren Umgang mit Zugangsdaten

Zugangsdaten sollten von Systemen verwaltet werden, die für Credential-Management gebaut wurden, und nicht in Prompts, Spezifikationen oder ad hoc formulierten Workflow-Text eingebettet werden.

Diese Trennung ist wichtig, weil sie die Wahrscheinlichkeit verringert, dass eine überzeugend erzeugte Anweisung mit legitimer Autorität verwechselt wird. Freigabe und Zugriffskontrolle sollten in Systemen verankert bleiben, die dafür entworfen wurden, sie durchzusetzen.

AI-Gateways als Governance-Schicht

Manche Institutionen entscheiden sich dafür, KI über kontrollierte Gateways einzuführen, statt jedes interne System direkt offenzulegen.

Ein AI-Gateway kann Folgendes unterstützen:

• Auditing
• Richtliniendurchsetzung
• Authentifizierung
• Autorisierung
• Monitoring
• freigegebenen Werkzeugzugriff

Das ist keine universelle Pflicht, und kleinere Teams können vernünftigerweise leichtere Kontrollen wählen. Aber es ist ein plausibles Governance-Muster für Institutionen, die Nachvollziehbarkeit, zentrale Aufsicht oder konsistente Richtliniendurchsetzung über viele Nutzerinnen, Nutzer und Workflows hinweg benötigen.

Warum Governance mit zunehmender Automatisierung wertvoller wird

Mehr Automatisierung beseitigt den Bedarf an Review nicht. Sie erhöht den Wert verantwortlicher Review.

Wenn KI-gestützte Arbeit schneller wird, brauchen Organisationen oft stärkere statt schwächere Strukturen für:

• Verantwortlichkeit
• Nachvollziehbarkeit
• Validierung
• Freigabe
• Vertrauen
• Bewahrung institutionellen Wissens

Das ist ein Grund, warum spezifikationsgetriebene Workflows über aktuelle Tooling-Trends hinaus nützlich bleiben. Sie geben Organisationen eine Möglichkeit, Absicht zu bewahren, Standards zu definieren, Ergebnisse mit Review zu verbinden und Automatisierung zu steuern, ohne so zu tun, als würde Automatisierung Governance überflüssig machen.

Praktische Quintessenz

Die dauerhafteste Lehre ist einfach:

KI-gestützte Wissensarbeit wird verlässlicher, wenn Ziele, Grenzen, Standards, Validierung und Autorität explizit gemacht werden.

Dieses Prinzip gilt für Software, aber ebenso für Forschung, Lehre, Dokumentation, Policy-Arbeit, juristisches Schreiben und andere ernsthafte Schreib- und Review-Prozesse. Werkzeuge werden sich ändern. Der Bedarf an Spezifikationen, reviewbarem Kontext, Validierung und gesteuerten Vertrauensgrenzen wird voraussichtlich bestehen bleiben.

Wie man mit KI arbeitet

• KI als fähige Kollaborationspartnerin sehen, nicht als Autorität
• wichtige Aussagen überprüfen
• wichtigen Kontext bewahren
• Ziele und Annahmen festhalten
• Ergebnisse prüfen
• die Verantwortung für Entscheidungen bei Menschen belassen

Begleitmaterial

Das Begleitmaterial unter docs/supporting-material/spec_driven_workflow_thread.html dokumentiert einen Teil der Diskussion und des Verfeinerungsprozesses hinter diesem Artikel. Es ist ein Workflow-Artefakt, nicht die einzige Quelle aller Gedanken im Artikel.

Das Transkript enthält unvollständige Ideen, wechselnde Ansichten, verworfene Vorschläge, rohe Formulierungen, Tippfehler oder Autokorrekturfehler und andere Spuren iterativer Verfeinerung. Die Schlussfolgerungen des Artikels und die persönlichen Reflexionen des Autors sind daher nicht identisch mit dem Transkript.

Diese Seite enthält außerdem spätere Synthese, redaktionelle Überarbeitung, Umsetzungserfahrung, Lokalisierungsreviews, Validierungsarbeit und persönliche Reflexion. Einige Schlussfolgerungen entstanden erst nach dem Ende der aufgezeichneten Diskussion.