Deine KI hat keine Ahnung, was dein Unternehmen macht

Das höre ich ständig: «Ich hab ChatGPT ausprobiert. Ist ok, würde ich sagen. Aber definitiv nicht den ganzen Hype wert.»

Und ehrlich? Ich verstehe das. Wenn du ChatGPT öffnest, um Hilfe bei etwas aus deinem Job bittest und eine generische Antwort bekommst, die klingt, als hätte sie jemand geschrieben, der deine Branche vom Hörensagen kennt, aber noch nie einen Fuss in dein Unternehmen gesetzt hat – ja, das ist enttäuschend.

Aber die KI ist nicht das Problem. Das Problem ist, was fehlt.

Das brillante neue Teammitglied

Stell dir vor, du stellst eine Person frisch von der Uni ein. Jahrgangsbeste. Mit einer fast unfairen Bandbreite an Wissen – sie hat alles gelesen, ist unglaublich schnell und kann über Fachgrenzen hinweg denken, wie es die meisten Spezialistinnen und Spezialisten nicht können.

Aber sie hat noch nie in deinem Unternehmen gearbeitet. Sie kennt dein Produkt nicht. Sie hat deine Kundschaft noch nie getroffen. Sie hat keine Ahnung, was deine Konkurrenz macht, wie dein Team aufgestellt ist, was du letztes Jahr versucht hast, das nicht funktioniert hat, oder warum du die Entscheidungen getroffen hast, die du getroffen hast.

Wenn du sie also fragst: «Wie sollten wir den Sales-Push in Q3 angehen?» – bekommst du eine völlig vernünftige Lehrbuchantwort. Und die fühlt sich … nutzlos an. Weil sie generisch ist. Sie basiert auf dem, was sie an der Uni gelernt hat, nicht auf der Realität deines Unternehmens.

Genau das passiert, wenn du ChatGPT oder Claude benutzt, ohne ihnen Kontext zu deinem Unternehmen zu geben. Du sprichst mit dem klügsten neuen Teammitglied, das man sich vorstellen kann – das aber absolut nichts über deine spezifische Welt weiss.

Mentale Modelle sind wichtiger als Prompts

Es gibt eine ganze Industrie rund um «Prompt Engineering». Prompt-Bibliotheken, Prompt-Vorlagen, Prompt-Kurse. Ich habe noch nie eines davon benutzt.

Prompt-Bibliotheken sind wie das Auswendiglernen von Sätzen in einer Fremdsprache, ohne die Grammatik zu verstehen. Du kommst in ein paar konkreten Situationen durch, aber sobald es vom Skript abweicht, bist du verloren.

Was wirklich zählt, ist das richtige mentale Modell – ein intuitives Verständnis davon, womit du arbeitest und wie du damit umgehst.

Das «brillante neue Teammitglied» ist mein mentales Modell für KI. Sobald du es verinnerlicht hast, ergeben viele Dinge plötzlich Sinn:

• Warum generische Fragen generische Antworten liefern – du würdest einem neuen Teammitglied auch nicht am ersten Tag ohne Briefing auftragen, deinen Sales-Prozess neu zu gestalten
• Warum Kontext alles ist – je mehr Hintergrund du gibst, desto besser das Ergebnis, genau wie beim Briefing einer Kollegin oder eines Kollegen
• Warum KI manchmal Dinge erfindet – ein neues Teammitglied, das die Antwort nicht kennt, sich aber unter Druck fühlt, hilfreich zu sein, füllt die Lücken vielleicht mit plausibel klingenden Vermutungen
• Warum es mit Unternehmenswissen dramatisch besser wird – weil dein brillantes neues Teammitglied jetzt sechs Monate damit verbracht hat, das Geschäft zu lernen

Dieses eine mentale Modell bringt für deine KI-Resultate mehr als hundert Prompt-Vorlagen.

Die fünf Dinge, die Leute wirklich falsch machen

Ich habe inzwischen vielen Leuten dabei zugeschaut, wie sie KI benutzen. Nicht in Demos oder Tutorials, sondern in der echten Arbeit. Und die Muster sind erstaunlich konsistent.

1. Sie wie eine Suchmaschine benutzen

Das ist der häufigste Fehler. Leute tippen eine Frage so ein, wie sie es bei Google tun würden, bekommen einen Absatz zurück und denken sich: «Google war schneller und hat mir wenigstens Links gegeben.»

KI ist keine Suche. Suche findet existierende Informationen. KI generiert neuen Text auf Basis gelernter Muster. Das ist grundlegend etwas anderes und braucht einen grundlegend anderen Ansatz. Du suchst nicht mit KI. Du arbeitest mit ihr.

2. Keinen Kontext geben

«Schreib mir eine Marketing-E-Mail» gibt dir eine Marketing-E-Mail. Eine schlechte. Eine generische.

«Schreib mir eine Marketing-E-Mail für ein B2B-SaaS-Produkt, das Schweizer Spitälern hilft, temporäres Pflegepersonal zu verwalten. Unsere Zielgruppe sind HR-Leiterinnen und -Leiter, die überlastet und skeptisch gegenüber neuer Software sind. Der Ton sollte professionell, aber warm sein, nicht verkäuferisch. Maximal 200 Wörter.»

Gleiches Tool. Komplett anderes Ergebnis. Der Unterschied ist der Kontext.

3. Magie von einem einzigen Prompt erwarten

Leute tippen einen sorgfältig ausgearbeiteten Prompt, schauen sich das Ergebnis an und akzeptieren es entweder oder verwerfen die ganze Sache. Aber so arbeitet niemand – nicht mit Kolleginnen und Kollegen, nicht mit Freelancerinnen und Freelancern, mit niemandem.

Denk daran wie an ein Gespräch. Fang breit an, dann verfeinerst du. «Das brauche ich.» «Geht in die richtige Richtung, aber mach es spezifischer für Spitäler.» «Gut, jetzt kürz es auf die Hälfte.» «Eigentlich, fang mit dem Problem an statt mit dem Produkt.»

Drei oder vier solche Runden bringen dir etwas wirklich Gutes. Ein einzelner Prompt fast nie.

4. Die falschen Erwartungen haben

Manche erwarten von KI Perfektion. Andere erwarten, dass sie nutzlos ist. Beides ist falsch.

KI ist eher wie ein sehr schneller erster Entwurf, den dein Fachwissen noch verfeinern muss. Sie schafft 80 % der Arbeit in 10 % der Zeit – aber die letzten 20 % musst du liefern. Dein Urteilsvermögen. Dein Wissen über die konkrete Situation. Deinen Geschmack.

Wenn du Perfektion erwartest, wirst du enttäuscht. Wenn du nichts erwartest, findest du nie heraus, was sie wirklich kann.

5. Versuchen, alles auf einmal zu lösen

Das ist die organisatorische Version des Ein-Prompt-Problems. Unternehmen versuchen, einen ganzen Workflow mit KI zu automatisieren, scheitern, weil der erste Versuch chaotisch ist, und schliessen daraus: «KI ist für unseren Use Case noch nicht so weit.»

Fang klein an. Eine Aufgabe. Ein Gespräch. Ein kleiner Erfolg. Dann baust du darauf auf.

Was sich ändert, wenn KI dein Business wirklich kennt

Ich zeige dir den Unterschied, denn er ist gewaltig.

Ohne Unternehmenswissen:

Du fragst: «Wie sollten wir uns gegenüber der Konkurrenz positionieren?»

Du bekommst: ein generisches Framework zu Differenzierungsstrategien. Porters Five Forces. Das übliche MBA-Zeug. Korrekt, aber nutzlos.

Mit Unternehmenswissen:

Du stellst dieselbe Frage. Aber die KI hat Zugriff auf deine dokumentierte Konkurrenzanalyse zu sechs konkreten Unternehmen. Sie kennt deine Produkt-Roadmap. Sie kennt deine Preisstrategie. Sie weiss, was Kundinnen und Kunden deinem Sales-Team im letzten Monat erzählt haben.

Jetzt ist die Antwort deine. Sie nennt konkrete Konkurrenten beim Namen, zeigt, wo deine Roadmap dir einen Vorteil gibt, weist auf ein Preisrisiko hin, das ein Konkurrent gerade eingeführt hat, und schlägt einen Positionierungswinkel vor, der auf echtem Kundenfeedback basiert.

Gleiche KI. Gleiche Frage. Komplett anderer Wert.

Die Wissenslücke, und warum sie so schwer zu schliessen ist

Das bringt mich zu dem Teil, den die meisten überspringen, weil er langweilig klingt: Wissensmanagement.

Ich weiss, sobald jemand «Wissensmanagement» sagt, schalten die meisten ab. Also anders gesagt:

Denk an den Unterschied zwischen jemandem, der gestern erst bei dir angefangen hat, und jemandem, der seit zehn Jahren dabei ist. Die Person mit den zehn Jahren weiss Dinge, die nirgendwo aufgeschrieben sind. Sie weiss, welche Kundinnen und Kunden schwierig sind und warum. Sie weiss, warum ein bestimmter Prozess existiert (und welcher Teil davon veraltet ist, den aber niemand geändert hat). Sie weiss, wen man anrufen muss, wenn etwas kaputtgeht. Sie kennt die ungeschriebenen Regeln, die Geschichte, den Kontext hinter den Entscheidungen.

Das ist das Wissen, von dem ich rede. Und im Moment ist fast nichts davon für deine KI zugänglich.

Das ist kein Technologieproblem, sondern ein organisatorisches. Die meisten Unternehmen schreiben das nicht auf – nicht weil sie faul sind, sondern weil es sich nie gelohnt hat. Wer liest schon ein Dokument darüber, warum sich die Preisstruktur 2023 geändert hat? Meistens niemand.

Aber KI ändert die Rechnung. Plötzlich hat Aufschreiben einen direkten, greifbaren Nutzen: Deine KI wird schlauer. Jedes Stück Kontext, das du ihr gibst, macht jede zukünftige Interaktion besser, für dich und für alle in deinem Team, die das System nutzen.

Drei Arten von Wissen, die deine KI braucht

Nicht alles Wissen ist gleich, und jede Art braucht einen anderen Ansatz, um sie zu erfassen.

Externe Regeln und Vorschriften

Das sind Fakten, die ausserhalb deines Unternehmens existieren – Gesetze, Branchenstandards, Compliance-Anforderungen. Du kannst dich nicht darauf verlassen, was die KI beim Training «gelernt» hat, denn genau hier passieren Halluzinationen. Eine KI, die selbstbewusst eine Vorschrift zitiert, die es gar nicht gibt, ist schlimmer als eine KI, die sagt: «Weiss ich nicht.»

Was ich bei Carewell gemacht habe: Ich habe mit Perplexity eine Tiefenrecherche zu allen relevanten Schweizer Arbeitsvorschriften für Temporärpersonal gemacht, mit Priorität auf offiziellen Behördenquellen. Diese Recherche habe ich dann in unser Wissenssystem importiert. Wenn jetzt jemand eine regulatorische Frage stellt, antwortet die KI aus verifizierten Quellen – und markiert es als regulatorisches Thema, das vor dem Handeln nochmals geprüft werden sollte.

Produkt- und Betriebswissen

Das ist, was dein Unternehmen baut, verkauft und tut. Produktdokumentation, Prozesse, Workflows, Preise – Sachen, die irgendwo schon existieren, aber über Wikis, Slide-Decks und die E-Mail-Postfächer verschiedener Leute verstreut sind.

Einen Teil davon kannst du direkt importieren. Aber einiges braucht kreative Ansätze. Für unser Produkt habe ich eine einfache Browser-Extension gebaut, die annotierte Screenshots von jedem Screen in unserer Anwendung macht. Sie schickt jeden Screenshot an ein KI-Modell, das eine detaillierte Beschreibung schreibt – was der Screen zeigt, wie die Oberfläche funktioniert, wohin man von dort aus navigieren kann. Das Ganze habe ich in unser System importiert. Die KI versteht jetzt unsere gesamte Anwendung und kann konkrete Produktfragen zu jedem Feature oder Screen beantworten.

Das Wissen in den Köpfen der Leute

Das ist das schwierigste und wertvollste. Es ist alles, was dein Team weiss, aber nie aufgeschrieben hat. Was sie aus Kundengesprächen gelernt haben, beim Lösen von Problemen, beim Ausprobieren von Dingen, die nicht funktioniert haben.

Bei Carewell habe ich für jedes Teammitglied einen detaillierten Fragebogen erstellt – zugeschnitten auf die jeweilige Rolle. Der CEO bekam Fragen zu Strategie, Marktpositionierung und Unternehmensvision. Ich bekam Fragen zu Product Management und KI-Architektur. Sales bekam Fragen zu Kundenmustern und Einwänden.

Klingt einfach, fast schon banal. Aber das Ergebnis war unglaublich. Plötzlich hatte die KI Zugriff auf Perspektiven und Wissen, das bis dahin nur in einzelnen Köpfen existiert hatte.

Baue das System, nicht eine Prompt-Bibliothek

Dieser Teil ist kontraintuitiv: Je besser dein KI-System aufgesetzt ist, desto weniger zählen deine Prompts.

Wenn ich mit unserem KI-System bei Carewell spreche, diktiere ich oft ein, zwei Seiten wirre Gedanken. Unstrukturiert. Nicht optimiert. Ich denke im Grunde laut. Und es funktioniert hervorragend – weil das System schon so viel Kontext hat, so viele Verhaltensanweisungen, so viele eingebaute Constraints, dass selbst ein chaotischer Input ein gutes Ergebnis liefert.

Vergleich das mit jemandem, der eine leere ChatGPT-Session mit einem sorgfältig ausgearbeiteten Prompt aus einer Prompt-Bibliothek nutzt. Für diesen einen konkreten Use Case bekommt die Person ein anständiges Ergebnis. Aber sie muss jedes Mal wieder von vorne anfangen.

Das ist der Unterschied zwischen Sätzen auswendig lernen und die Sprache sprechen. Zwischen einem Rezept haben und kochen können.

Wenn du sehen willst, wie so ein System in der Praxis konkret aussieht – die Architektur, das Wissens-Repository, die täglichen Routinen –, ich habe dazu eine Schritt-für-Schritt-Anleitung geschrieben: Ein Company AI Operating System bauen.

Fang mit dem mentalen Modell an

Du musst nicht morgen ein ganzes Wissenssystem bauen. Aber du kannst schon heute anfangen, anders über KI zu denken.

Nächstes Mal, wenn du ChatGPT oder Claude öffnest, probier das:

1. Bevor du deine Frage stellst, verbring 30 Sekunden damit, die KI zu briefen, wie du ein kluges neues Teammitglied briefen würdest. Wer bist du? Was macht dein Unternehmen? Was ist der Kontext für diese Aufgabe?
2. Akzeptier nicht die erste Antwort. Widersprich. Stell Nachfragen. Sag: «Das ist zu generisch» oder «Mach es spezifischer für meine Situation».
3. Am Ende merkst du, wie viel besser das Gespräch war, als einfach eine Frage in die Leere zu tippen.

Das ist das mentale Modell in Aktion. Und sobald du den Unterschied erlebt hast, willst du diesen Kontext dauerhaft machen – genau das macht ein Company AI Operating System.

Die KI ist nicht enttäuschend. Sie wartet darauf, dass du ihr beibringst, was sie wissen muss.