Gen AI ist schnell ausprobiert. Das ist das Problem.

Ich erinnere mich noch gut an den Moment, in dem ich zum ersten Mal einen längeren Briefing-Text in ChatGPT geschmissen habe. Irgendwo zwischen zwei Kundengesprächen. Der Output kam in unter dreißig Sekunden zurück und war sofort brauchbar. Mein erster Gedanke war: Dickes Ding.

Mein zweiter Gedanke, ungefähr zwei Minuten später: Warte mal.

Der Text klang okay. Er klang nach niemandem. Er hatte keine Haltung, keinen Stil. Er hätte genauso gut für jeden anderen Kunden stehen können. Was fehlte, war das, was in einem langen Kundenverhältnis steckt: das Gefühl dafür, wie ein Absender tatsächlich klingt.

Genau da beginnt eine Frage, die mich seitdem beschäftigt: Was ist eigentlich der Unterschied zwischen einem guten Output und echter Wirkung?

Was nach dem ersten Test kommt

Das Muster wiederholt sich gerade in vielen Unternehmen. Jemand testet ein Tool. Ein Text kommt schneller. Ein Protokoll schreibt sich fast von selbst. Alle sind beeindruckt, und schon kommt die nächste Frage: Wie kriegen wir das jetzt ins Unternehmen?

Die bessere Frage wäre eine andere: Was genau soll dadurch eigentlich besser laufen?

Wirkung entsteht erst dann, wenn ein Ablauf im Alltag wirklich leichter wird. Dafür braucht es mehr als ein gutes Tool.

Das eigentliche Problem liegt woanders

In vielen Unternehmen liegt die Herausforderung woanders als beim Schreiben oder Zusammenfassen: in unklaren Zuständigkeiten, in Prozessen, die historisch gewachsen sind und kaum noch jemand vollständig überblickt, in Wissen, das in Köpfen steckt statt in Systemen.

Wenn man auf so eine Lage Gen AI draufsetzt, kann das punktuell helfen. Die grundlegende Problematik bleibt trotzdem bestehen. Das Tool schreibt vielleicht schneller einen Entwurf, aber der Text hängt danach trotzdem noch in drei Freigabeschleifen. Die KI fasst ein Meeting zusammen, aber danach weiß trotzdem noch niemand, wer was bis wann macht.

Gen AI kann vieles beschleunigen. Struktur muss trotzdem da sein.

Prompten ist kein Nebenthema

Leute nutzen GPTs wie eine bessere Suchmaske. Frage rein, Antwort raus, fertig. Und dann kommt genau das raus, was man überall liest: glatte Mittelware, Texte, die irgendwie richtig aussehen, aber am Ende nichts Eigenes mehr tragen.

Prompten ist kein dekoratives Extra. Wer mit Gen AI sauber arbeiten will, muss lernen, wie man eine Aufgabe so formuliert, dass brauchbare Ergebnisse rauskommen. Ein GPT ist was anderes als eine Suchmaschine.

Gerade in Unternehmen reicht einfaches Ausprobieren nicht aus. Es braucht Klarheit darüber, welche Tools überhaupt genutzt werden dürfen, und Regeln für sensible Inhalte. Sonst entsteht weiteres Chaos.

Wer seinen Stil mitgibt, bekommt etwas Eigenes zurück

Viele wundern sich, dass Gen-AI-Texte oft gleich klingen. Das liegt selten nur am Tool. Es liegt daran, dass keine sprachliche Richtung vorgegeben wurde. Wer GPTs sauber nutzen will, bringt ihnen bei, wie man klingt.

Ohne das kommt am Ende genau das raus, was gerade überall rauskommt: sauber gebaut, aber austauschbar. Alles klingt richtig. Nichts klingt nach jemandem.

Das ist Voraussetzung dafür, dass am Ende etwas Eigenes entsteht, statt dass alles nach derselben KI-Suppe klingt.

Die eigentliche Arbeit beginnt nach dem ersten Test

Das wird beim Thema Gen AI gerne unterschätzt. Der einfache Teil ist das Ausprobieren. Der aufwendigere Teil ist die Überführung in einen echten Prozess. Wer trägt den Kontext für gute Ergebnisse bei? Welche Vorlagen braucht es? Wo spart das wirklich Zeit, und wo entsteht nur ein zusätzlicher Schritt?

Genau da trennt sich planloses Ausprobieren von echter Verbesserung. Ein Unternehmen braucht weniger zehn interessante Gen-AI-Anwendungen, die lose nebeneinander laufen, als ein paar sinnvolle Anwendungen, die an den richtigen Stellen wirklich etwas erleichtern.

Die sinnvollsten Anwendungen sehen dabei oft unspektakulär aus. Ein Vertriebsteam, das vorbereitete Antwortentwürfe bekommt statt jedes Mal bei null zu starten. Ein Marketingteam, das aus einem Briefing schneller brauchbare Texte erstellt. Kein Showcase für Bühnenauftritte. Aber genau solche Dinge machen im Alltag den Unterschied.

Wo es wirklich einen Unterschied macht

Das sieht man dort, wo ein echtes Problem vorliegt. Dort, wo ein Use Case in einen bestehenden Prozess eingebunden wird. Wo vorher klar ist, woran Erfolg gemessen wird.

Im ganz normalen Arbeitsalltag entscheidet sich, ob das Tool funktioniert oder ein interessantes Experiment bleibt.

Ich glaube, dem Thema würde etwas mehr Nüchternheit gut tun. Gen AI ist ein Werkzeug. Ein starkes an manchen Stellen, aber trotzdem ein Werkzeug. Und wie bei jedem Werkzeug bringt der Einsatz dann etwas, wenn klar ist, wofür man es einsetzt und was am Ende dadurch wirklich besser wird.