Lass dich von der KI interviewen: So holst du raus, was du wirklich weisst

Es gibt ein Problem, über das im KI-Bereich fast niemand spricht.

Alle reden über Prompts. Wie man bessere Prompts schreibt. Wie man Prompts besser strukturiert. Prompt-Bibliotheken, Prompt-Kurse, Prompt-Zertifikate. Aber der eigentliche Engpass ist etwas anderes: du weisst nicht, was du ihr sagen sollst.

Das ist nicht abwertend gemeint. Ich meine es wörtlich. Das wertvollste Wissen im Kopf einer Fachperson ist implizit – Dinge, die du so gut kennst, dass du vergessen hast, dass du sie weisst. Das Gespür im Sales, welche Leads sich lohnen. Das Bauchgefühl im Produktmanagement, das verrät, welche Feature-Anfrage eigentlich das Symptom eines tieferen Problems ist. Das mentale Modell im Operations-Bereich, das zeigt, welcher Prozess repariert werden muss, bevor er kaputtgeht.

Genau dieses Wissen macht die KI wirklich nützlich, sobald du es einspeist. Aber wie extrahierst du etwas, das du gar nicht in Worte fassen kannst?

Du drehst das Gespräch um. Statt dass du der KI Fragen stellst, lässt du sie dich fragen.

Die «Frag mich 5 Fragen»-Technik

Das ist die einfachste Version, und du kannst sie sofort ausprobieren. Öffne Claude oder welches KI-Tool auch immer du nutzt, und tipp Folgendes:

“Ich möchte [ein Positionspapier schreiben / eine Strategie entwickeln / eine Präsentation erstellen] zum Thema [dein Thema]. Aber bevor du loslegst: Stell mir 5 gezielte Fragen, die dir helfen, etwas viel Präziseres und Nützlicheres zu produzieren.”

Das war’s. Ein Prompt. Was danach passiert, ist erstaunlich wirksam.

Die KI kommt mit fünf Fragen zurück. Meistens sind es gute – die Art, die dich zwingt, Dinge zu formulieren, an die du gar nicht gedacht hättest, sie zu erwähnen. Zum Beispiel:

• “Wer genau ist die Zielgruppe dafür, und auf welchem Wissensstand ist sie aktuell?”
• “Was ist die eine Sache, an die sie sich eine Woche später noch erinnern sollen?”
• “Was ist das häufigste Missverständnis zu diesem Thema, das du ausräumen willst?”
• “Mit welchen Rahmenbedingungen arbeite ich – Länge, Ton, Format?”
• “Was hast du schon versucht, das nicht funktioniert hat?”

Beantworte die Fragen. Dauert zwei Minuten. Und dann schnellt die Qualität der Ergebnisse nach oben, was die meisten überrascht. Die KI ist nicht schlauer geworden. Du hast einfach die Wissenslücke zwischen dem, was du weisst, und dem, was die KI über deine Situation weiss, geschlossen.

Genau das meine ich mit der Metapher vom brillanten neuen Teammitglied. Die KI hat enorme allgemeine Fähigkeiten, aber null Wissen über deinen spezifischen Kontext. Diese fünf Fragen sind das Briefing, das aus einer generischen Antwort eine nützliche macht.

Das Selbstkritik-Follow-up

Sobald die KI basierend auf deinen Antworten einen ersten Entwurf liefert, ergänzt du:

“Kritisiere jetzt deine eigene Antwort aus der Perspektive eines skeptischen [Investors / Kunden / Kollegen]. Wo ist die Argumentation schwach? Was würde er infrage stellen?”

Die KI findet Lücken in ihrem eigenen Output – und damit auch Lücken im Briefing, das du ihr gegeben hast. So entsteht eine natürliche Schleife: Die KI produziert, kritisiert, du verfeinerst, sie produziert erneut. Jeder Durchgang wird besser, weil der Kontext reichhaltiger wird.

Ich habe festgestellt, dass allein diese Technik die Qualität der Ergebnisse um rund die Hälfte steigert, verglichen damit, der KI eine Aufgabe einfach kalt hinzuwerfen. Und es kostet vielleicht fünf zusätzliche Minuten.

Skalieren: das KI-Interview

Die «5-Fragen»-Technik funktioniert für einzelne Aufgaben. Aber was, wenn du etwas Grösseres willst – zum Beispiel eine Wissensbasis aufbauen, aus der die KI monatelang schöpfen kann?

Hier kommt das vollständige KI-Interview ins Spiel. Statt 5 Fragen zu einer bestimmten Aufgabe lässt du dich von der KI tief zu einem ganzen Themenbereich befragen. Deine Rolle. Dein Unternehmen. Dein Markt. Wie du Entscheidungen triffst.

So bin ich vorgegangen, als ich das AI Operating System unserer Firma aufgebaut habe:

Ich habe mich mit Claude hingesetzt und gesagt:

“Ich möchte, dass du ein umfassendes Verständnis meiner Rolle, meiner Firma und der Art, wie wir arbeiten, aufbaust. Interview mich. Stell mir eine Frage nach der anderen. Fang breit an und geh dann, basierend auf meinen Antworten, tiefer. Hör nicht auf, bis du das Gefühl hast, ein gründliches Bild zu haben.”

Dann habe ich ein paar Stunden – verteilt auf mehrere Sessions – mit dem Beantworten von Fragen verbracht. Dutzende davon. Die KI fragte nach unserem Produkt, ich antwortete, sie hakte mit etwas Spezifischerem nach. Sie fragte nach unserem Markt, ich gab einen Überblick, sie bohrte bei der Wettbewerbsdynamik weiter. Sie fragte nach Entscheidungen, die ich getroffen hatte, und dann, warum ich sie so und nicht anders getroffen hatte.

Das Ergebnis war bemerkenswert. Die KI holte Dinge heraus, an deren Dokumentation ich nie gedacht hätte. Annahmen, die ich traf, ohne es zu merken. Verbindungen zwischen Entscheidungen, die ich nie explizit ausgesprochen hatte. Implizites Wissen, das ich seit Monaten – oder Jahren – mit mir herumtrug und das nie aufgeschrieben worden war.

Nach jeder Session liess ich Claude alles in strukturierte Markdown-Dateien bringen. Produktwissen hier. Marktanalyse dort. Strategische Entscheidungen in einem eigenen Ordner. Jede Datei mit einem Vertrauenslevel versehen: «verifiziert», «Arbeitsannahme» oder «muss noch validiert werden».

Diese Sammlung von Dateien wurde zur Grundlage unseres AI Operating Systems. Und weil das Wissen durch Gespräche extrahiert wurde und nicht von Grund auf aufgeschrieben, erfasste es Nuancen, die eine typische Dokumentation verpasst hätte.

Aufs ganze Team ausweiten

Das Einzelinterview ist stark. Die Team-Version verändert alles.

Hier ist, was wir bei Carewell gemacht haben. Nachdem ich die erste Wissensbasis aus meinen eigenen Interviews aufgebaut hatte, erstellte ich für jedes Mitglied des Leadership-Teams einen individuellen Fragebogen.

Keine generischen Umfragefragen. Gezielte, fachspezifische Fragen, basierend auf der Rolle jeder Person und dem, was die KI über die Firma bereits wusste (und noch nicht wusste). Unser CEO bekam Fragen zu strategischer Vision, Risikobereitschaft und Wettbewerbspositionierung. Unser Sales-Lead bekam Fragen zu Kundenbeziehungen, typischen Einwänden und Marktfeedback. Unser Operations-Lead bekam Fragen zu Prozess-Engpässen, Automatisierungspotenzial und Skalierungsherausforderungen.

Die Fragen waren bewusst unbequem gestaltet – auf produktive Art. «Was ist das grösste existenzielle Risiko für die Firma, über das niemand spricht?» «Wo, glaubst du, machen wir uns selbst etwas vor?» «Was sollte unser Produkt explizit NICHT tun?» Das sind nicht die Fragen, die man in einer gewöhnlichen Mitarbeiterumfrage bekommt.

Unser CEO beantwortete 35 Fragen. Er erzählte mir danach, dass ihn mehrere davon zum Nachdenken über Dinge brachten, die er vorher nie in Worte gefasst hatte – Annahmen über das Geschäft, nach denen er gehandelt hatte, ohne sie je aufzuschreiben oder mit dem Team zu teilen.

Das ganze Leadership-Team machte dieselbe Übung. Der gesamte Prozess dauerte etwa zwei Wochen, wobei jeder in seinem eigenen Tempo antwortete.

Die Goldgrube: Divergenz-Erkennung

Das ist der Schritt, der sich am meisten auszahlt.

Nachdem alle ihre Fragebogen beantwortet hatten, speiste ich sämtliche Antworten ins AI Operating System ein und stellte eine einfache Frage:

“Vergleiche die Antworten des Leadership-Teams. Wo sind sich die Leute uneinig? Wo unterscheiden sich die grundlegenden Annahmen?”

Die KI kam mit sechs Divergenzen zurück. Sechs Stellen, an denen Mitglieder des Leadership-Teams grundlegend unterschiedliche Ansichten über die Richtung, Strategie oder Prioritäten der Firma hatten. Keine kleinen Unterschiede in der Formulierung – echte, substanzielle Meinungsverschiedenheiten mit praktischen Konsequenzen.

Ein Beispiel: Unser CEO war der Meinung, ein bestimmtes Produkt-Feature sollte zum primären Interface für Kunden werden. Ich fand, es sollte das bestehende Interface ergänzen, nicht ersetzen. Wir beide hatten monatelang nach unseren jeweiligen Annahmen gehandelt. Keiner von uns beiden hatte dem anderen je explizit seine Position mitgeteilt.

Die KI hat die Meinungsverschiedenheit nicht nur markiert. Sie hat sie strukturiert: Position A mit der dahinterliegenden Argumentation, Position B mit ihrer Argumentation, die praktischen Auswirkungen der Uneinigkeit auf unsere Produkt-Roadmap und ein Vorschlag, wie man das lösen könnte.

Wir setzten eine Diskussion an. Innerhalb einer Stunde hatten wir uns auf einen Ansatz geeinigt – beides mit einer kleinen Nutzergruppe testen und die Daten entscheiden lassen. Eine Meinungsverschiedenheit, die sonst vielleicht monatelang unausgesprochen vor sich hin geköchelt hätte, wurde strukturiert aufgedeckt und gelöst.

Die meisten Firmen haben Dutzende solcher versteckter Divergenzen. Sie bremsen alles aus, weil Leute von unterschiedlichen Annahmen ausgehen, ohne es zu merken. Der KI-Interviewprozess deckt sie systematisch auf.

Die vier Phasen

Wenn du das für deine Firma umsetzen willst, hat sich bei uns diese Reihenfolge bewährt:

Phase 1: Tiefenrecherche

Bevor du überhaupt jemanden interviewst, bau eine externe Wissensbasis auf. Nutze Perplexity oder ähnliche Recherche-Tools, um deinen Markt umfassend zu erfassen. Konkurrenz, Regulierung, Branchentrends, mögliche Kundensegmente. Alles gespeichert als strukturierte Markdown-Dateien.

Das ist wichtig, weil die KI Kontext braucht, um gute Fragen zu stellen. Wenn sie deinen Markt schon versteht, werden die Interviewfragen viel gezielter und nützlicher.

Phase 2: KI-Interviews mit Gründer oder Führungsperson

Fang mit der Person an, die das meiste bereichsübergreifende Wissen hat – meistens ein Gründer, eine CEO oder eine erfahrene Führungsperson. Lass die KI sie zu allen Bereichen befragen: Produkt, Strategie, Markt, Operations, Vision. Mehrere Sessions, Dutzende Fragen.

Strukturiere den Output nach jeder Session in deine Wissensbasis ein.

Phase 3: Fragebogen fürs Team

Erstelle individuelle Fragebogen für jedes Mitglied des Leadership-Teams. Die KI kann das auf Basis dessen tun, was sie in Phase 2 gelernt hat – sie weiss, welche Lücken bleiben, welche Annahmen validiert werden müssen und welche Bereiche eine zweite Perspektive brauchen.

Gib den Leuten Zeit, um in Ruhe zu antworten. Eine Woche reicht meistens. Mach klar, dass das Wissensextraktion ist, kein Test.

Phase 4: Divergenz-Erkennung und Abgleich

Speise alle Antworten ins System ein. Bitte die KI, Widersprüche, Meinungsverschiedenheiten und grundlegend unterschiedliche Annahmen im Team zu finden. Halte jede Divergenz als Eintrag fest: beide Positionen klar formuliert, die praktischen Auswirkungen und ein Vorschlag zur Lösung.

Setz dann für jede Divergenz ein fokussiertes Gespräch an. Kein dreistündiges All-Hands-Meeting – kurze, strukturierte Gespräche zu konkreten Meinungsverschiedenheiten. Daten statt Debatte.

Die 80/20-Regel beim Aufbau eines KI-Systems

Wenn du meinen Guide zum Aufbau eines Company AI Operating Systems gelesen hast, kennst du die Architektur: Ordner, Markdown-Dateien, Instruction-Files, Verhaltensregeln. Diese Struktur ist wichtig, aber sie macht vielleicht 20 Prozent des Aufwands aus.

Die anderen 80 Prozent sind das Wissen selbst. Und der Prozess, den ich hier beschrieben habe – Recherche, Interviews, Fragebogen, Divergenz-Erkennung – ist, wie du das System tatsächlich mit Wissen füllst, das etwas wert ist.

Die meisten Firmen, die eine KI-Wissensinitiative starten, scheitern genau an diesem Schritt. Sie bauen eine schöne Ordnerstruktur und lassen sie dann leer, oder füllen sie mit oberflächlicher Dokumentation, die jede KI auch aus öffentlichen Informationen hätte generieren können. Der Wert kommt aus dem Wissen, das in den Köpfen der Leute steckt – dem impliziten Wissen, den ungeschriebenen Annahmen, den versteckten Meinungsverschiedenheiten.

Eine Einschränkung: Wenn du dich selbst interviewst, achte darauf, dass die KI deine Antworten nicht einfach bestätigt, statt sie zu hinterfragen. LLMs haben ein Sycophancy-Problem – sie sagen dir, deine Sichtweise sei aufschlussreich, wenn sie eigentlich fragen sollten: «Bist du dir da sicher?» Weise die KI an, deine Annahmen während des Interviews infrage zu stellen, statt sie nur zu protokollieren.

Dieses Wissen rauszuholen, braucht eine bestimmte Methode. Leute zu bitten, «einfach aufzuschreiben, was sie wissen», funktioniert nicht – sie wissen nicht, was sie wissen, und sie wissen nicht, was fehlt. Wenn die KI den Extraktionsprozess steuert, löst das beide Probleme.

Klein anfangen

Du musst keine vierphasige Wissensextraktions-Initiative starten, um von diesem Ansatz zu profitieren. Fang bei deinem nächsten Projekt mit der «5-Fragen»-Technik an. Probier dann eine längere Interview-Session – lass dich 30 Minuten lang von der KI zu deiner Rolle befragen. Schau, was dabei rauskommt.

Wenn dich die Ergebnisse überraschen – und das werden sie –, verstehst du, warum dieser Ansatz skaliert. Die Technik bleibt auf jeder Ebene dieselbe: Statt dich abzumühen, zu formulieren, was die KI wissen muss, lässt du die KI herausfinden, was sie fragen soll.

Es ist ein besserer Briefing-Prozess. Und bessere Briefings führen zu besseren Ergebnissen. Jedes Mal.