KI nutzen heisst heute nicht mehr besser prompten

Hoi und herzlich willkomma zu den Büro für KI-Insights 🤓

Letzte Woche habe ich über die drei Stufen der KI-Nutzung geschrieben: Werkzeug, Assistent, System. Und dabei ist mir etwas aufgefallen. Ich habe geschrieben, was Stufe 3 bedeutet, aber nicht wirklich beantwortet, was ICH auf Stufe 3 eigentlich mache. Wenn KI zunehmend Aufgaben ausführt, was ist dann meine Rolle?

Kurze Antwort: Es hat immer weniger mit Prompten zu tun und immer mehr mit dem, was man «am System arbeiten» nennt.

In diesem Newsletter erfährst du:

Warum sich deine Rolle mit KI gerade verändert
Was «am System arbeiten» konkret heisst (mit Beispielen aus meinem Alltag)
Welche Bausteine ein KI-System braucht, damit es funktioniert
Was sich verändert, wenn das System steht

Let's dive in 🤿🤓

Meine Woche sah so aus

Diese Woche habe ich mehrere Stunden an unserem KI-System gearbeitet. Nicht im Chat. Nicht mit Prompts. Sondern:

Ich habe einen Skill für unsere Offertenerstellung verfeinert. Nicht die Offerte selbst geschrieben, sondern die Anleitung verbessert, nach der mein Agent Offerten erstellt. Wo waren die letzten drei Offerten nicht ganz richtig? Was fehlte im Prozess? Welche Qualitätsstandards müssen klarer formuliert werden?

Und ich habe einen Skill für die Workshop-Administration weiterentwickelt. Der verschickt jetzt automatisch Bestätigungsmails an Teilnehmende, erstellt Rechnungen in Bexio und sendet Reminder vor dem Workshop. Alles Dinge, die ich früher einzeln und manuell (bzw. z. T. mit Make- oder n8n-Workflows) gemacht habe.

Keiner dieser Schritte war ein Prompt im klassischen Sinn. Es war Arbeit am System, nicht im System.

Im System arbeiten vs. am System arbeiten

Kennst du den Satz «Arbeite am Unternehmen, nicht nur im Unternehmen»? Jeder Unternehmer kennt diesen Grundsatz. Die Idee: Wer nur operativ arbeitet (Kunden betreuen, E-Mails beantworten, Brände löschen), kommt nie dazu, das Unternehmen weiterzuentwickeln. Strategie, Prozesse, Strukturen, das passiert nur, wenn du bewusst einen Schritt zurücktrittst.

Genau das passiert gerade mit KI.

Im System arbeiten heisst: Du öffnest ChatGPT, stellst eine Frage, bekommst eine Antwort, korrigierst, fragst nach, bekommst eine bessere Antwort. Das klassische Hin und Her. Für viele Aufgaben völlig ok. Aber jede Aufgabe startet bei null.

Am System arbeiten heisst: Du definierst Prozesse. Du schreibst auf, wie eine Aufgabe richtig ausgeführt wird. Du setzt Qualitätsstandards. Du baust Skills. Du legst Regeln fest. Und dann führt KI die Aufgabe aus, nicht einmal, sondern hundertmal, auf dem gleichen Qualitätsniveau.

Der Unterschied in der Praxis

Nehmen wir die Offertenerstellung. Im Chat-Modus erkläre ich jedes Mal: «Der Kunde ist X, die Dienstleistung ist Y, der Preis ist Z, verwende diese Vorlage, achte auf diesen Ton.» Dann den Output prüfen, korrigieren, nochmal prompten, das Ergebnis in Bexio übertragen, formatieren. Das dauert schnell 30 Minuten pro Offerte.

Heute habe ich dafür einen Offerten-Skill. Der kennt meine Vorlagen, meine Preise, meinen Ton, meine Bexio-Anbindung. Ich gebe ihm das Transkript des Erstgesprächs mit dem Kunden, dort steht in der Regel alles drin, was für die Offerte relevant ist. Der Agent kennt den Prozess, spricht die API an, erstellt die Offerte direkt im System. Ich prüfe und gebe frei. Das dauert zwei Minuten.

Die Zeitersparnis pro Offerte ist nett. Aber der eigentliche Gewinn ist ein anderer: Die Qualität ist konsistent. Der Agent vergisst keine Position, verwendet immer die aktuelle Preisliste und hält sich an die Formatierung. Nicht weil er schlauer ist, sondern weil der Skill es so definiert.

Was «am System arbeiten» konkret bedeutet

Vier Dinge, die ich regelmässig tue:

Vier Säulen der KI-Arbeitsweise: Prozesse beschreiben, Qualitätsstandards setzen, Feedback-Schleifen nutzen und Bausteine verbinden

1. Prozesse beschreiben. Alles, was bisher nur in meinem Kopf war, aufschreiben. Wie erstelle ich eine Offerte? Wie baue ich einen Workshop auf? Wie kommuniziere ich mit Kunden? Ich gebe zu: Ich dachte immer, als Kleinstunternehmen komme ich drum rum, Prozesse zu dokumentieren 😅 Vor KI wäre das wohl auch so gewesen. Aber sobald ich will, dass jemand Arbeit sauber ausführt, komme ich nicht drum rum. Egal ob ich Menschen oder KI beschäftige.

2. Qualitätsstandards und Regeln setzen. Was muss in einer Kundenmail stehen? Welchen Ton soll die Offerte haben? Was darf KI alleine entscheiden, wo braucht es meine Freigabe? Bei mir gilt: Alles, was nach aussen geht (E-Mails, Offerten, Dokumente an Kunden), prüfe ich. Interne Abläufe (Recherche, Datenaufbereitung, Entwürfe) laufen autonom. Das ist keine Einschränkung, das ist kluge Verantwortungsteilung.

3. Feedback geben statt neu prompten. Wenn ein Ergebnis nicht passt, nicht einfach nochmal prompten. Sondern verstehen, warum es nicht gepasst hat, und den Skill anpassen. Das verbessert nicht nur dieses eine Ergebnis, sondern alle zukünftigen. Ein Lernloop, der über Zeit Kompetenz aufbaut.

4. Bausteine verbinden. Ein einzelner Skill ist nützlich. Aber die Kraft entsteht, wenn Kundendaten, Prozesse, Vorlagen, Schnittstellen und Regeln zusammenspielen. Dazu gleich mehr.

Die Zahlen dahinter

Upwork hat im November 2025 ihren «Human+Agent Productivity Index» veröffentlicht. Eine Zahl sticht heraus: Wenn Menschen und KI-Agenten zusammenarbeiten, erledigen sie Projekte bis zu 70% schneller als KI-Agenten alleine.

Completion Rates für Claude Sonnet 4, Gemini 2.5 Pro und OpenAI GPT 5 im Vergleich

Heatmap zeigt Completion Rates nach Kategorie und KI-Modell

Wichtig: Die Studie wurde mit den damaligen Modellen durchgeführt. Seitdem hat sich einiges getan. In der letzten Ausgabe haben wir die METR-Daten gezeigt: Die Fähigkeit von KI-Agenten verdoppelt sich etwa alle vier Monate. Modelle wie Claude Opus 4.6 sind ein massiver Sprung gegenüber dem, was im November 2025 verfügbar war. Die Completion Rates liegen heute deutlich höher. Claude Sonnet 4.6, unser Arbeitspferd, erledigt die meisten Skills mit sehr hoher Qualität, auch komplexe.

Aber die Kernaussage bleibt: Nicht die KI alleine ist am schnellsten, sondern die Kombination aus Mensch und KI. Der Mensch steuert, gibt Kontext, definiert Qualität, korrigiert. Die KI führt aus.

Agenten sind gut in Ausführung, aber sie brauchen klare Rahmenbedingungen. Wer diese Rahmenbedingungen liefert, wer also am System arbeitet, macht den Unterschied.

Die Bausteine eines funktionierenden KI-Systems

Was braucht es, damit «am System arbeiten» funktioniert? In den letzten Monaten habe ich mir diese Frage immer wieder gestellt, und mittlerweile sehe ich ein paar klare Bausteine, die zusammenspielen müssen.

Die 5 Bausteine eines KI-Systems: Wissen & Kontext, Skills, Governance, Schnittstellen und Qualitätssicherung

1. Wissen und Kontext. KI braucht Zugang zu deinem Unternehmenswissen. Nicht alles, aber das Richtige. Wer sind deine Kunden? Was sind deine Dienstleistungen? Welche Vorlagen nutzt du? Welcher Ton passt? Ohne dieses Wissen produziert KI generische Outputs. Mit diesem Wissen produziert sie Ergebnisse, die nach dir klingen.

2. Skills (Arbeitsanweisungen). In der Ausgabe über Skills habe ich ausführlich beschrieben, was das ist und wie man sie baut. Sie sind die Übersetzung deiner Prozesse in eine Form, die ein KI-Agent ausführen kann. Wie SOPs für Mitarbeitende, nur für KI.

3. Governance (Regeln und Grenzen). Was darf KI autonom? Wo ist ein Mensch nötig? Welche Daten dürfen wohin? In der letzten Ausgabe habe ich geschrieben: «Ohne klare Regeln kann niemand delegieren, weder an Menschen noch an KI.» Das gilt weiterhin.

4. Schnittstellen (Verbindung zur Aussenwelt). KI, die nur Text generiert, bleibt auf Stufe 2. KI, die APIs ansprechen kann, Systeme bedienen kann, Dateien erstellen kann, arbeitet auf Stufe 3. Die Anbindung an deine bestehenden Tools (CRM, Buchhaltung, E-Mail, Kalender) ist ein wesentlicher Baustein.

5. Qualitätssicherung (Feedback und Verbesserung). Der Lernloop: Ausführen, prüfen, verbessern, nächstes Mal besser. Kein einmaliges Setup, sondern ein laufender Prozess.

Keiner dieser Bausteine funktioniert isoliert. Wissen ohne Skills bleibt Theorie. Skills ohne Governance sind riskant. Schnittstellen ohne Qualitätssicherung produzieren Chaos.

Das ist noch kein fertiges Framework. Es ist das, was ich nach Monaten täglicher Arbeit mit KI-Agenten sehe. In den kommenden Ausgaben werde ich tiefer in die einzelnen Bausteine eintauchen, und dabei auch unser eigenes System offenlegen: Wie wir es gerade aufbauen, welche Entscheidungen wir treffen, welche Tools wir nutzen, was funktioniert und was nicht.

Was sich verändert, wenn das System steht

Wir merken es selbst: Wir verbringen immer weniger Zeit in klassischen Chats. Angefangen hat das mit Manus im März 2025. Seit OpenClaw, Claude Cowork und ähnliche Agenten-Tools bei uns laufen, nutzen wir normale Chat-Interfaces kaum noch.

Der Fokus liegt darauf, möglichst viel unserer täglichen Arbeit von KI-Agenten erledigen zu lassen. Offerten, Workshop-Administration, E-Mail-Entwürfe, Recherche, Newsletter-Vorbereitung. Nicht über Einzelprompts, sondern über definierte Skills, die der Agent selbständig ausführt.

Der Produktivitätsgewinn der letzten Wochen ist enorm. Nicht weil die Modelle plötzlich alles können, sondern weil das System drumherum steht: Die Prozesse sind beschrieben, die Qualitätsstandards definiert, die Schnittstellen angebunden. Der Agent weiss, was er tun soll, und macht es.

Das ist der Punkt, an dem sich die Investition auszahlt. Die Wochen, in denen wir Prozesse dokumentiert, Skills gebaut und Regeln definiert haben, fühlen sich im Nachhinein wie die produktivste Arbeit des Jahres an.

Der ehrliche Realitätscheck

Bevor das alles zu optimistisch klingt:

Die grösste Herausforderung für KMU: Ein System schaffen, in dem KI auf alle benötigten Informationen zugriff hat. Kundendaten, Vorlagen, Preise, Prozesswissen. Und das unter Berücksichtigung von Security und Datenschutz. Die gute Nachricht: Die Tools gehen gerade alle in diese Richtung. Der klassische Chatbot wird bald ausgedient haben.

Skills muss man nicht selbst niederschreiben. Alle aktuellen Tools bieten Skill-Generatoren, die einen durch den Prozess führen. Du beantwortest Fragen, der Generator baut den Skill. Oder noch einfacher: Du führst einen Prozess einmal end-to-end durch und lässt dir anhand der Konversation den Skill daraus bauen.

Repetitive Prozesse lohnen sich sofort. Alles, was regelmässig anfällt und einem klaren Ablauf folgt, ist ein Kandidat für einen Skill. Offerten, Mails, Reports, Vorbereitungen. Je häufiger, desto grösser der Hebel.

Die Tools sind noch nicht perfekt. Agenten machen Fehler. Manchmal überraschend dumme. Qualitätskontrolle bleibt nötig, auf absehbare Zeit.

Es ist eine Investition, kein Quick Win. Wer hofft, in einem Nachmittag ein komplettes KI-System aufzubauen, wird enttäuscht. Es sind Wochen, manchmal Monate, bis alles rund läuft. Aber dann läuft es.

Was das für Teams bedeutet

Wir sind inzwischen zu zweit und planen, in den nächsten Monaten weiter zu wachsen. Für uns stellt sich die Frage ganz konkret: Wie bauen wir das System so auf, dass es nicht nur für mich funktioniert?

In einem Team wird alles, was ich oben beschrieben habe, wichtiger und anspruchsvoller: Wer schreibt die Prozesse auf? Wer definiert die Regeln? Wer pflegt die Skills? Das sind neue Verantwortlichkeiten, die es vorher nicht gab.

Die entscheidende Frage für Teams: Wer übernimmt Verantwortung dafür, wie KI im Unternehmen genutzt wird? Nicht als Nebenprojekt, sondern als echte Aufgabe. Jemand, der Skills aufbaut, Prozesse definiert und das System pflegt. Das ist eine neue Rolle, die es vor zwei Jahren noch nicht gab.

Einfach mal anfangen

Nimm diese Woche einen Prozess, den du regelmässig machst. Öffne dein KI-Tool und lass dir einen Skill dafür generieren. Die meisten Tools führen dich Schritt für Schritt durch. Oder noch einfacher: Führe den Prozess einmal komplett im Chat durch und lass dir daraus den Skill bauen.

Du wirst merken: Der grösste Schritt ist nicht das Schreiben, sondern das Umdenken. Von «ich prompte jedes Mal neu» zu «ich baue einmal und nutze hundertmal».

Key Takeaways

KI nutzen heisst immer weniger «besser prompten» und immer mehr «das System drumherum bauen»
Am System arbeiten heisst: Prozesse beschreiben, Qualitätsstandards setzen, Regeln definieren, Feedback geben
Mensch+KI zusammen sind 70% schneller als KI allein, weil der Mensch Kontext und Steuerung liefert
Die Bausteine eines funktionierenden KI-Systems: Wissen, Skills, Governance, Schnittstellen, Qualitätssicherung
Der klassische Chatbot hat bald ausgedient. Die Tools gehen alle in Richtung agentenbasiertes Arbeiten
Der Shift ist kein technisches Thema, es ist die gleiche Lektion wie «am Unternehmen arbeiten, nicht nur im Unternehmen»

Ausblick

In den kommenden Ausgaben tauche ich tiefer in die einzelnen Bausteine ein. Wir bauen gerade unser eigenes KI-System auf und ich nehme euch dabei mit: Welche Architektur-Entscheidungen treffen wir? Wie sieht unser Governance-Setup aus? Was passiert, wenn wir wachsen und das System mit wachsen muss? Wie viel Autonomie ist richtig, und wo haben wir uns die Finger verbrannt?

Wer die Ausgaben über Skills und die 3 Stufen gelesen hat, sieht den roten Faden. Wir bewegen uns Schritt für Schritt vom «KI als Tool» zum «KI als System». Und die spannendsten Teile kommen erst noch.

Fazit

Vor einem Jahr war meine wichtigste KI-Fähigkeit ein guter Prompt. Heute ist es die Fähigkeit, Arbeit so zu beschreiben, dass ein System sie ausführen kann.

Es geht nicht darum, dass Prompting nutzlos wird. Gute Systemprompts und klare Anweisungen bleiben wichtig. Aber sie sind ein Baustein, nicht das Ganze. Die Musik spielt zunehmend ausserhalb des Chatfensters: In Prozessen, in Skills, in Regeln, in der Architektur des Systems.

Wenn du eine Sache aus dieser Ausgabe mitnimmst: Die nächste Stunde, die du in KI investierst, verbringe sie nicht im Chat. Verbringe sie mit einem leeren Dokument und der Frage: «Wie mache ich das eigentlich?»

Bis nächsten Sonntag 👋🏽

Andreas