Umgang mit langen Dokumenten — Summarization-Strategien

Lernziele

• Sie können mindestens vier Summarization-Strategien (Hierarchisch, Zweckgerichtet, Strukturiert, Stufen) beschreiben und für unterschiedliche Dokumenttypen einsetzen.
• Sie kennen die Grenzen des Kontextfensters und können darauf mit geeigneten Prompting-Strategien reagieren.
• Sie können einen Dokument-Upload datenschutzkonform durchführen und wissen, welche Tools dafür geeignet sind.
• Sie können die Qualität einer KI-Zusammenfassung kritisch prüfen und bekannte Fehlermuster identifizieren.
• Sie können Summarization-Strategien für verschiedene Zielgruppen (Entscheider, Technikteam, Rechtsabteilung) zielgruppengerecht einsetzen.

Auf einen Blick

Worum geht es? — Der didaktische Einstieg

In der täglichen Projektarbeit landen regelmäßig Dokumente auf dem Schreibtisch, die 50, 80 oder sogar 200 Seiten umfassen: Ausschreibungen (RFPs), Vertragswerke, umfangreiche technische Spezifikationen, Marktberichte, Prüfprotokolle. Die relevanten Informationen herauszuarbeiten ist zeitaufwändig — und die Qualität der Extraktion hängt stark davon ab, wie die Aufgabe an die KI gestellt wird.

Die häufigste Fehlstrategie: Das gesamte Dokument in ein Chat-Fenster kopieren und nach einer Zusammenfassung fragen. Das Ergebnis ist oft unspezifisch, zu lang und enthält nicht die Informationen, die tatsächlich benötigt werden. Die Qualität einer KI-Zusammenfassung ist dabei keine Frage des Modells — sie ist eine Frage der Strategie. Wer die richtige Strategie für den jeweiligen Dokumenttyp und Zweck wählt, erzielt in wenigen Minuten bessere Ergebnisse als ohne Strategie in einer Stunde.

Diese UE stellt vier bewährte Summarization-Strategien vor, zeigt die technischen Rahmenbedingungen (Kontextfenster) und gibt klare Handlungsempfehlungen für den datenschutzkonformen Einsatz.

Lerntext — Theorie und Konzepte

Das Kontextfenster als technische Rahmenbedingung

Jedes Sprachmodell kann nur eine begrenzte Menge Text gleichzeitig verarbeiten — das sogenannte Kontextfenster. Aktuelle Modelle bieten folgende Kontextfenster:

Für die meisten Geschäftsdokumente sind aktuelle Top-Modelle ausreichend groß. Bei sehr langen Dokumenten (>50 Seiten) auf schwächeren Modell-Stufen empfehlen sich dennoch strukturierte Strategien, die das Dokument in verarbeitbare Einheiten aufteilen.

Merksatz

Die Qualität einer KI-Zusammenfassung hängt weniger vom Modell als von der Strategie ab. Wer gezielt fragt, erhält gezieltes — wer vage fragt, erhält Vages. Das gilt bei 5-seitigen und bei 200-seitigen Dokumenten gleichermaßen.

Vier bewährte Summarization-Strategien

Abb. 33.1 — Summarization-Strategien nach Ziel und Dokumenttyp (Map-Reduce / Zweckgerichtet / Strukturiert / Stufen)

Strategie 1 — Hierarchische Zusammenfassung (Map-Reduce-Prinzip): Erst jeden Abschnitt einzeln zusammenfassen, dann eine Meta-Zusammenfassung der Abschnittszusammenfassungen erstellen. Verhindert, dass wichtige Details in späteren Abschnitten „vergessen” werden. Geeignet für: sehr lange Dokumente (>50 Seiten), Dokumente mit stark unterschiedlichen Abschnitten.

Prompt-Muster: > „Fasse Abschnitt 1 (Seiten 1–12) in maximal 5 Punkten zusammen. Dann Abschnitt 2 (Seiten 13–25) in maximal 5 Punkten. Erstelle abschließend eine Meta-Zusammenfassung aller Abschnitte in maximal 8 Punkten.”

Strategie 2 — Zweckgerichtete Extraktion: Anstatt alles zusammenzufassen, gezielt nach bestimmten Informationstypen suchen.

Prompt-Muster: > „Extrahiere aus diesem Vertrag: alle Fristen mit Datum, alle Haftungsklauseln, alle Exklusivitätsbedingungen. Ausgabe als Tabelle mit Spalten: Thema | Text (wörtlich) | Seitenzahl.”

Dieser Ansatz ist oft effizienter als eine vollständige Zusammenfassung — man bekommt genau das, was man braucht.

Strategie 3 — Strukturierte Analyse mit vorgegebenen Kategorien: > „Fasse dieses Dokument nach diesen Kategorien zusammen: (1) Kernaussagen (max. 5 Punkte), (2) Offene Fragen und Unklarheiten, (3) Empfohlene nächste Schritte, (4) Relevante Zahlen und Daten.”

Das Ergebnis ist direkt weiterverwendbar, ohne nachzustrukturieren — ein vollständiger, kategorisierter Report.

Strategie 4 — Stufen-Zusammenfassung: > „Fasse diesen Bericht in drei Versionen zusammen: (1) Executive Summary — drei Sätze; (2) Management-Briefing — fünf Bullet Points; (3) Detailliertes Arbeitsexemplar — ein Absatz pro Hauptabschnitt.”

Dieselbe Information für drei verschiedene Zielgruppen — eine Anfrage, drei verwendbare Outputs.

Merksatz

Die Stufen-Zusammenfassung ist besonders wertvoll in Organisationen, wo dasselbe Dokument für Entscheider, Projektteam und externe Partner aufbereitet werden muss. Eine Anfrage — drei zielgruppenspezifische Outputs — das ist ein Faktor-3-Effizienzgewinn gegenüber sequentiellem Vorgehen.

Quellenkritik bei KI-Dokumentenzusammenfassungen

KI-Zusammenfassungen können: Nuancen verflachen, Zahlen falsch übertragen, Zusammenhänge vereinfachen oder bei schlecht strukturierten Dokumenten wichtige Randabsätze übersehen.

Pragmatische Kontrolle (Drei-Quellen-Regel): Bei rechtlich oder geschäftlich relevanten Dokumenten mindestens drei bis fünf kritische Aussagen im Original nachschlagen, bevor sie weitergegeben werden. Besondere Vorsicht gilt bei: Haftungsklauseln, Kündigungsfristen, spezifischen Leistungsanforderungen, Zahlenbezügen.

DSGVO-kritische Grenze bei Dokument-Uploads

Externe KI-Tools (öffentliche ChatGPT-Version, Claude Free Tier) dürfen keine personenbezogenen Kundendaten, Mitarbeiterdaten oder vertraulichen Unternehmensinformationen erhalten. Folgende Alternativen sind empfehlenswert:

• Microsoft 365 Copilot im eigenen Tenant: Daten verlassen den Tenant nicht — erste Wahl für vertrauliche Dokumente
• ChatGPT Team/Enterprise: Daten werden nicht für Modell-Training genutzt (SOC 2-konform)
• Claude Team: Ähnlicher Datenschutz-Status wie ChatGPT Team
• Lokale Anonymisierung: Personenbezogene Daten durch Platzhalter ersetzen, dann Upload in externe Tools

Summarization für verschiedene Dokumenttypen — Strategie und Prompt-Design

Verschiedene Dokumenttypen erfordern verschiedene Summarization-Strategien. Ein Prompt, der für die Zusammenfassung wissenschaftlicher Artikel gut funktioniert, ist für Vertragsexzerpte oft ungeeignet.

Dokumenttyp-Strategie-Matrix:

Vertragssummarization — Besonderheiten:

Verträge erfordern eine besonders konservative Summarization-Strategie: Das Risiko, durch Paraphrase juristische Nuancen zu verlieren, ist erheblich. Empfehlung: Wichtige Vertragsklauseln im Original-Wortlaut zitieren, nicht paraphrasieren. Den Prompt entsprechend formulieren: „Zitiere die Originalformulierungen für alle Kernklauseln. Ergänze nach jedem Zitat eine einzeilige Erklärung in einfacher Sprache. Füge nach der Zusammenfassung einen Hinweis ein: ‚Diese Zusammenfassung ersetzt nicht die rechtliche Prüfung durch qualifizierte Fachkräfte.’”

Multi-Dokument-Summarization:

Wenn nicht ein einzelnes Dokument, sondern eine Sammlung ähnlicher Dokumente zusammengefasst werden soll (z. B. zehn Kundenfeedback-E-Mails, fünf Wettbewerber-Berichte), ändert sich die optimale Strategie erheblich:

Schritt 1 — Einzelsummarisierung: Jedes Dokument separat zusammenfassen (je 100–150 Wörter). Schritt 2 — Cross-Dokument-Synthese: Die Einzelsummarisierungen als Input nutzen und thematisch clustern: „Welche Themen tauchen in mindestens drei der fünf Dokumente auf? Erstelle eine Übersichtstabelle: Thema | Anzahl Nennungen | Beispiele.” Schritt 3 — Synthesebericht: Einen integrierten Bericht erstellen, der die wichtigsten Erkenntnisse über alle Dokumente hinweg zusammenführt — mit Quellenverweisen auf die Originaldokumente.

Diese dreistufige Strategie ist erheblich zuverlässiger als der Versuch, alle Dokumente in einem einzigen Schritt zu synthetisieren.

Temporale Summarization — Entwicklungen über Zeit:

Für Dokumentensammlungen, die eine zeitliche Entwicklung abbilden (z. B. monatliche Berichte, Quartals-Updates, Protokolle einer laufenden Projektphase), ist eine temporale Summarization-Strategie wertvoll: „Erstelle eine Zusammenfassung, die die Entwicklung über den Zeitraum [VON] bis [BIS] nachvollzieht. Zeige: Was hat sich verändert? Was ist konstant geblieben? Welche Trends sind erkennbar? Format: Timeline mit monatlichen Meilensteinen.”

Merksatz

Verschiedene Dokumenttypen erfordern verschiedene Summarization-Strategien: Verträge verlangen Originalzitate statt Paraphrase; Meeting-Protokolle priorisieren Action Items; wissenschaftliche Texte brauchen Methodenkritik. Die Strategie dem Dokumenttyp anzupassen ist der wichtigste Schritt vor der Prompt-Formulierung.

Vertiefung — Progressive Summarization, multimodale Verarbeitung und NotebookLM

Progressive Summarization ist eine besonders leistungsfähige Technik beim Umgang mit langen Dokumenten: ein mehrstufiger Verdichtungsprozess, bei dem ein Dokument in mehreren Passes zusammengefasst wird, wobei jeder Pass ein höheres Abstraktionsniveau erreicht.

• Erster Pass: „Fasse dieses Dokument in strukturierten Bullet-Points zusammen. Behalte alle konkreten Zahlen, Termine und Eigennamen bei.”
• Zweiter Pass: Die Bullet-Points des ersten Passes als Input nutzen: „Verdichte diese Punkte auf die fünf zentralsten Aussagen. Formuliere jede als vollständigen Satz.”
• Dritter Pass: „Formuliere auf Basis dieser fünf Punkte eine Executive Summary in maximal drei Absätzen für ein Geschäftsführungs-Briefing.”

Dieses Verfahren ist besonders robust gegenüber dem Halluzinationsrisiko, das bei direkter Zusammenfassung sehr langer Texte in einem einzigen Schritt steigt: Jeder Pass arbeitet mit einem bereits verdichteten, überschaubaren Input.

Multimodale Dokumentenverarbeitung: Aktuelle KI-Modelle können nicht nur Text, sondern auch Bilder, Tabellen in Bildern und gescannte Dokumente verarbeiten. Eingescannte Verträge, handgeschriebene Whiteboard-Fotos oder Screenshot-basierte Anforderungsdokumentationen lassen sich in KI-Workflows einbinden. Claude und GPT-4o verarbeiten Bilder zuverlässig und können aus Fotos von Whiteboards strukturierte Textinhalte extrahieren. Wichtig: Die Qualität der Texterkennung variiert mit der Bildqualität. Für wichtige Dokumente empfiehlt sich immer eine manuelle Überprüfung der extrahierten Texte — insbesondere bei Zahlen, Eigennamen und juristischen Fachbegriffen.

NotebookLM als persistente Wissensbasis: Google NotebookLM ermöglicht es, bis zu 50 Quelldokumente in eine gemeinsame Wissensbasis hochzuladen und anschließend beliebige Fragen an diese Dokumente zu stellen — mit direkten Quellenverweisen im Output. Eine Projektleitung könnte eine NotebookLM-Wissensbasis anlegen, die alle Dokumente eines Langzeitprojekts enthält: Vertrag, Anforderungsdokument, Meeting-Protokolle, Statusberichte, Kundenkommunikation. Jede Frage — „Welche Anforderungen wurden in Phase 2 geändert?“, „Was wurde im Meeting vom 15. April entschieden?”, „Welche Haftungsgrenzen gelten laut Vertrag?” — wird dann instantan und mit Quellenverweisen beantwortet. Datenschutzhinweis: Für Dokumente mit Kundendaten empfiehlt sich die Verwendung des organisationseigenen Google Workspace-Accounts, nicht eines privaten Gmail-Kontos.

KI-gestützte Dokumenten-Workflows: ROI-Betrachtung: - Vertragsanalyse (60 Seiten): Manuell 3–4 Stunden → mit KI 45–50 Minuten. Zeitersparnis: ca. 75–85 %. - RFP-Analyse (100 Seiten): Manuell 5–6 Stunden → mit KI 45–60 Minuten. Zeitersparnis: ca. 80–85 %. - Meeting-Transkript (60 Min): Manuell 1–2 Stunden → mit KI 10–15 Minuten. Zeitersparnis: ca. 85–90 %.

Vertiefung II — Retrieval-Augmented Generation (RAG) und seine Implikationen für Summarization

Professionelle Summarization-Infrastruktur für Unternehmen geht zunehmend über einzelne Prompts hinaus: Retrieval-Augmented Generation (RAG) kombiniert KI-Sprachmodelle mit unternehmensinternen Dokumentendatenbanken und verändert, wie Summarization skaliert.

Was ist RAG und warum ist es relevant?

In einem RAG-System werden Dokumente zunächst in einer Vektordatenbank indexiert. Wenn eine Frage oder eine Summarization-Anfrage gestellt wird, sucht das System automatisch die relevantesten Dokumentabschnitte, übergibt sie als Kontext an das Sprachmodell, und dieses generiert eine Antwort oder Zusammenfassung, die auf diesen spezifischen Abschnitten basiert — nicht auf dem allgemeinen Modell-Wissen.

Für Practitioner bedeutet das: In Unternehmen, die RAG-Systeme einsetzen (z. B. über Microsoft Azure AI Search + Copilot, oder spezialisierte Anbieter wie Glean oder Notion AI), verändert sich die Summarization-Aufgabe. Der Nutzer muss nicht mehr Dokument-Inhalte manuell in den Prompt kopieren — das System holt die relevanten Passagen automatisch. Die Prompting-Kompetenz verschiebt sich dann zur Fähigkeit, präzise Abfragen zu formulieren und Qualität der automatisch abgerufenen Kontext-Abschnitte zu beurteilen.

Chunking-Strategien in der Praxis:

RAG-Systeme teilen Dokumente in „Chunks” (Abschnitte) auf, bevor sie indexiert werden. Die Chunk-Größe beeinflusst erheblich, wie gut das System relevante Passagen findet:

Zu kleine Chunks (unter 200 Wörter): Zu wenig Kontext für das Sprachmodell; die abgerufenen Passagen können oft nicht ohne den umliegenden Text interpretiert werden.

Zu große Chunks (über 1.000 Wörter): Das System findet den Chunk, aber das Sprachmodell muss zu viel irrelevanten Text verarbeiten; Präzision der Zusammenfassung sinkt.

Optimale Chunk-Größe: 300–600 Wörter, mit Überlappung von 50–100 Wörtern zwischen benachbarten Chunks (damit Kontextübergänge nicht verloren gehen). Diese Einstellung ist in den meisten RAG-Konfigurationstools anpassbar.

Summarization-Qualität im RAG-Kontext prüfen:

Ein spezifisches Qualitätsproblem in RAG-Systemen ist die „Halluzination aus unvollständigem Kontext”: Das Modell bekommt nur einen Teil des relevanten Dokuments (weil der Retrieval-Schritt nicht alle relevanten Chunks gefunden hat) und ergänzt das Fehlende aus seinem allgemeinen Wissen — mit hohem Halluzinationsrisiko.

Gegenmaßnahme: Im Prompt explizit anweisen: „Beantworte ausschließlich auf Basis der bereitgestellten Dokument-Abschnitte. Wenn die Abschnitte für eine vollständige Antwort nicht ausreichen, weise darauf hin, welche Information fehlt — formuliere keine Annahmen.”

LLM-Qualitätskontrolle für lange Dokument-Zusammenfassungen:

Ein einfaches Verifikationsprotokoll für Summaries langer Dokumente: Nach der Zusammenfassung eine zweite Anfrage stellen: „Welche drei Punkte aus dem Originaldokument sind in der Zusammenfassung nicht enthalten, aber relevant für das Ziel [ZIEL]?” Das Modell identifiziert selbst Lücken — die dann entweder durch eine neue Zusammenfassung oder durch manuelles Ergänzen geschlossen werden.

Merksatz

RAG erweitert Summarization von einzelnen Dokumenten auf ganze Dokumentendatenbanken — und ist die Technologie hinter unternehmensweiten KI-Assistenten wie Copilot in SharePoint oder Google Notebook LM für Teams. Das Verständnis von RAG-Prinzipien hilft, diese Systeme gezielter zu nutzen und ihre Grenzen zu erkennen.

Branchen-Anwendungen

IT-Dienstleistung & Beratung

Ein IT-Beratungshaus erhält regelmäßig umfangreiche Ausschreibungsunterlagen (RFPs) von Kunden. Ein 60-seitiges RFP für einen Logistikkunden kann mit der Kombination aus hierarchischer Zusammenfassung (Überblick über alle Abschnitte) und zweckgerichteter Extraktion (alle Anforderungen, Fristen und Bewertungskriterien als Tabelle) in unter 15 Minuten auf die wesentlichen Inhalte destilliert werden. Was früher zwei Stunden gründliche Lektüre erforderte, wird zur 15-minütigen Aufgabe — inklusive Qualitätsprüfung durch die Drei-Quellen-Regel für kritische Zahlen und Fristen. Das Team hat für die RFP-Analyse einen Standard-Prompt in der Bibliothek hinterlegt, der die hierarchische Zusammenfassung mit der zweckgerichteten Extraktion kombiniert und so für jeden Berater sofort einsatzbereit ist.

Industrie & Fertigung

In einem Fertigungsunternehmen müssen technische Spezifikationen von Lieferanten regelmäßig auf Konformität mit internen Qualitätsanforderungen geprüft werden. Die Dokumente sind oft 80–150 Seiten lang und technisch komplex. Das Qualitätsteam nutzt die strukturierte Analyse mit vorgegebenen Kategorien: „Fasse dieses Spezifikationsdokument in den Kategorien zusammen: (1) Abweichungen von unserem Qualitätsstandard, (2) Offene Punkte und Klärungsbedarf, (3) Bestätigte Konformität, (4) Risiken.” Das Ergebnis ist direkt in die interne Qualitätsprüfungs-Checkliste übertragbar. Für besonders kritische Dokumente wird die progressive Summarization in drei Stufen eingesetzt, um das Halluzinationsrisiko zu minimieren. Wichtig: Alle lieferantenspezifischen Daten werden ausschließlich in Microsoft 365 Copilot verarbeitet, nicht in öffentliche KI-Tools eingegeben.

Finanzdienstleistung & Versicherung

Eine Versicherungsgesellschaft analysiert regelmäßig Gutachten, Schadensberichte und Rückversicherungsverträge. Die zweckgerichtete Extraktion ist hier die Methode der Wahl: „Extrahiere aus diesem Gutachten: alle Schadenshöhen mit Bezugsgröße, alle Kausalzusammenhänge, alle Empfehlungen des Gutachters, alle offenen Fragen zur Deckungspflicht.” Das Ergebnis ist direkt in die Sachbearbeiter-Akte übertragbar. Die Stufen-Zusammenfassung wird genutzt, um denselben Schadensbericht für drei verschiedene Empfänger aufzubereiten: Executive Summary für die Schadensleitung, technische Zusammenfassung für den Sachbearbeiter, Rechtshinweise für die Rechtsabteilung. Für alle Dokumente mit Versicherungsnehmerdaten gilt: ausschließliche Nutzung von Copilot im eigenen Tenant oder einem dafür freigegebenen Enterprise-KI-System.

Öffentliche Verwaltung

Eine Kommunalverwaltung muss regelmäßig umfangreiche Fördermittelanträge, Umweltgutachten und Bebauungspläne aufbereiten. Für Beschlussvorlagen an den Gemeinderat wird die strukturierte Analyse mit festgelegten Kategorien genutzt: Sachverhalt, Rechtslage, Handlungsoptionen, Empfehlung, Folgekosten. Die hierarchische Zusammenfassung wird für sehr lange Planungsdokumente eingesetzt — erst die einzelnen Kapitel, dann eine Meta-Zusammenfassung für die Beschlussvorlage. Die Stufen-Zusammenfassung erlaubt es, dasselbe Gutachten für die Gemeinderatssitzung (Executive Summary, 3 Sätze), den Fachausschuss (Management-Briefing, 5 Punkte) und die Verwaltungsmitarbeitenden (detailliertes Arbeitsexemplar) aufzubereiten. Datenschutzhinweis: Bei personenbezogenen Daten in Antragsunterlagen werden vor dem KI-Upload alle Personalien durch Platzhalter ersetzt.

Branchen-Vignette — Industrie & Fertigung

Kontext: Ein mittelständischer Anlagenbauer erhält regelmäßig umfangreiche technische Ausschreibungsunterlagen (RFPs) von potenziellen Kunden — teilweise 200 bis 400 Seiten mit technischen Spezifikationen, rechtlichen Bedingungen und kaufmännischen Anforderungen. Die Angebotsvorbereitung bindet erhebliche Kapazität.

Ausgangssituation: Vertriebsingenieur Stefan K. entwickelt einen mehrstufigen Summarization-Workflow: Schritt 1 — Dokument in Abschnitte teilen (technische Specs, rechtliche Bedingungen, kaufmännische Anforderungen). Schritt 2 — Jedes Segment mit einem zweckgerichteten Prompt zusammenfassen: „Extrahiere aus diesem Abschnitt alle Anforderungen, die direkt unsere Produktionskapazität betreffen — als nummerierte Liste mit Seiten-Referenz.” Schritt 3 — Die Zusammenfassungen zu einem internen Anforderungsprofil konsolidieren.

Ergebnis: Die Zeit für die erste Analyse-Phase eines RFP sinkt von zwei Arbeitstagen auf vier Stunden. Das interne Anforderungsprofil ermöglicht es, in der Angebotsbesprechung sofort zu den kritischen Punkten zu kommen statt das Dokument gemeinsam zu erschließen.

Kritische Beobachtung: In einem Fall hat die KI eine technische Anforderung, die aus einem schlecht formatierten PDF-Upload stammte, falsch interpretiert. Stefan K. führt seitdem eine Pflicht-Verifizierung für alle Anforderungen ein, die direkt in das Angebot einfließen.

Übertragung: Welche langen Dokumente begegnen Ihnen regelmäßig in der Arbeit — und welche Summarization-Strategie (Map-Reduce, Progressive, zweckgerichtete Extraktion) würde für Ihren häufigsten Dokumenttyp am besten passen?

Übung 1 — Zwei Strategien auf dasselbe Dokument anwenden

Übung 1 — Strategievergleich bei der Dokumentenzusammenfassung

Aufgabe: Wenden Sie zwei verschiedene Summarization-Strategien auf dasselbe Dokument an und bewerten Sie, welche für den jeweiligen Verwendungszweck besser geeignet ist.

Material: Laptop mit ChatGPT Team oder Claude; ein reales oder anonymisiertes Dokument Ihrer Wahl (Projektbericht, technische Spezifikation, interner Bericht), alternativ ein öffentlich verfügbares Dokument (z. B. ein Geschäftsbericht).

Schritt-für-Schritt: 1. Wählen Sie ein Dokument von mindestens fünf Seiten. 2. Definieren Sie zwei verschiedene Verwendungszwecke: z. B. „Executive Summary für die Geschäftsführung” und „Extraktion aller Risiken und Fristen”. 3. Formulieren Sie für jeden Verwendungszweck einen Summarization-Prompt (eine der vier Strategien). 4. Führen Sie beide Prompts aus. 5. Bewerten Sie jeden Output: Enthält er die für den jeweiligen Zweck relevanten Informationen? Welche fehlen? Welche sind unnötig? 6. Prüfen Sie mindestens drei konkrete Zahlen oder Aussagen aus dem Output gegen das Originaldokument. 7. Dokumentieren Sie: Welche Strategie war für welchen Zweck besser geeignet?

Erwartetes Ergebnis: Ein Strategievergleich mit konkreter Begründung — und mindestens ein identifizierter Qualitätsmangel aus der Drei-Quellen-Prüfung.

Musterlösung:

Für „Executive Summary” (Strategie 3 — Strukturierte Analyse): Prompt: „Fasse dieses Dokument in den Kategorien zusammen: (1) Kernaussage in einem Satz, (2) Die drei wichtigsten Erkenntnisse, (3) Empfohlene Handlungsschritte.”

Für „Extraktion aller Risiken” (Strategie 2 — Zweckgerichtete Extraktion): Prompt: „Extrahiere alle Risiken, Unsicherheiten und potenziellen Probleme aus diesem Dokument als Tabelle: Risiko | Kontext | Seite | Empfohlene Maßnahme.”

Typischer Befund der Drei-Quellen-Prüfung: Zahlenangaben (Beträge, Termine) werden oft korrekt übertragen, aber Nuancen wie „bis zu” vs. „mindestens” können verloren gehen. Diese subtilen Unterschiede sind besonders bei Vertragsklauseln relevant und müssen im Original verifiziert werden.

Übung 2 — Vertragsanalyse mit zweckgerichteter Extraktion

Übung 2 — Strukturierte Vertragsanalyse

Aufgabe: Analysieren Sie einen fiktiven oder anonymisierten Vertrag mit der zweckgerichteten Extraktionsmethode auf rechtlich und geschäftlich relevante Punkte.

Fiktiver Vertragstext (Ausschnitt): > „§ 5 Leistungen: Der Auftragnehmer erbringt die vertraglich vereinbarten IT-Dienstleistungen nach bestem Wissen. § 6 Fristen: Projektstart 01.04.2025; Zwischenmeilenstein M1 bis 15.05.2025; Projektabschluss 30.06.2025. § 8 Haftung: Der Auftragnehmer haftet für Schäden bis zur Höhe der jährlichen Vergütung. § 11 Kündigung: Kündigung mit 4 Wochen Frist, außerordentliche Kündigung bei wesentlicher Pflichtverletzung.”

Schritt-für-Schritt: 1. Formulieren Sie einen zweckgerichteten Extraktions-Prompt für Fristen, Haftung und Kündigung. 2. Führen Sie den Prompt aus und prüfen Sie jede extrahierte Aussage im Originaltext. 3. Wenden Sie den Selbstreflexions-Prompt an: „Welche wichtigen Klauseln könntest du möglicherweise übersehen haben?” 4. Dokumentieren Sie: Welche Risiken hat die Analyse identifiziert, die im ersten Lesen übersehen wurden?

Erwartetes Ergebnis: Eine strukturierte Vertragsanalyse-Tabelle plus eine Liste identifizierter Risiken und klärungsbedürftiger Punkte.

Musterlösung (Prompt):

„Extrahiere aus diesem Vertrag folgende Informationen als strukturierte Tabelle: (1) Alle Fristen mit Datum, (2) Alle Haftungsregelungen (wer haftet, wofür, bis zu welchem Betrag), (3) Alle Kündigungsregelungen, (4) Besondere Risiken oder unklare Formulierungen. Spalten: Kategorie | Vertragstext (wörtlich) | Kommentar / Einschätzung.”

Selbstreflexions-Prompt nach der Analyse: „Du hast eben diesen Vertrag analysiert. Beantworte: (1) Welche wichtigen Klauseln könntest du möglicherweise übersehen haben? (2) Gibt es Formulierungen im Vertrag, die mehrdeutig sind und direkt mit der anderen Vertragspartei geklärt werden sollten? (3) Welche Informationen fehlen mir laut Vertrag noch, um die Risiken vollständig zu beurteilen?”

Promptbaustein — Zweckgerichtete Dokumentenextraktion

Rolle: Sie sind eine erfahrene Projektleiterin mit Expertise in der Analyse von IT-Projektverträgen und technischen Spezifikationen.

Aufgabe: Analysieren Sie das folgende Dokument und extrahieren Sie gezielt die für Ihr Projekt relevanten Informationen.

Ziel: Eine direkt verwendbare Analyse-Tabelle, die das Kernteam ohne weiteres Lesen des Originaldokuments nutzen kann.

Kontext: Dokument-Typ: [VERTRAGSTYP / BERICHTTYP]. Verwendungszweck der Analyse: [ANWENDUNGSFALL]. Zielgruppe der Zusammenfassung: [ENTSCHEIDER / PROJEKTTEAM / RECHTSABTEILUNG].

Output: Tabelle mit Spalten: Kategorie | Relevante Aussage (wörtlich oder paraphrasiert) | Kommentar | Handlungsbedarf (Ja/Nein).

Zu extrahierende Kategorien: - [KATEGORIE 1, z. B. „Alle Fristen mit Datum”] - [KATEGORIE 2, z. B. „Alle Haftungsklauseln”] - [KATEGORIE 3, z. B. „Offene Punkte / Unklare Formulierungen”]

Guardrail: Keine Spekulation über nicht im Dokument enthaltene Informationen. Kennzeichne alle Aussagen, die im Original verifiziert werden sollten, mit dem Hinweis „[VERIFIZIEREN]“.

Warnung — DSGVO bei Dokument-Uploads in KI-Tools

Risiko: Das Hochladen von Dokumenten mit personenbezogenen Daten in öffentliche KI-Tools (ChatGPT Free, Claude Free Tier) kann einen DSGVO-Verstoß darstellen. Personenbezogene Daten (Namen, Adressen, Vertragsdaten mit Personenbezug) dürfen gemäß Art. 5 DSGVO (Datensparsamkeit) und Art. 44 ff. DSGVO (Drittlandübermittlung) nicht in nicht-konforme KI-Systeme eingegeben werden.

Rechtsfolge: Bußgelder bis 20 Mio. € oder 4 % des weltweiten Jahresumsatzes (Art. 83 Abs. 5 DSGVO). Reputationsschäden bei öffentlichem Bekanntwerden.

Handlungsempfehlung: Für vertrauliche Dokumente ausschließlich Microsoft 365 Copilot (eigener Tenant), ChatGPT Team/Enterprise oder vergleichbare Enterprise-Lösungen nutzen. Bei Nutzung externer Tools: Personenbezogene Daten vor dem Upload durch Platzhalter ersetzen (Anonymisierung). Lokale KI-Modelle (z. B. über Ollama) als Alternative für hochsensible Dokumente prüfen.

Cheatsheet — Summarization-Strategien für lange Dokumente

• DSGVO-Pflicht: Vertrauliche Dokumente nur in Tenant-konforme Systeme
• Drei-Quellen-Regel: Mindestens 3 kritische Aussagen im Original verifizieren
• Selbstreflexions-Prompt: Immer nach der Analyse: „Was könntest du übersehen haben?”
• Kontextfenster: Claude und Gemini für sehr lange Dokumente; Copilot für Office-Dateien
• Anti-Pattern: Gesamtes Dokument einfügen + „Fasse zusammen” — ohne Ziel, ohne Strategie

Übung 3 — Summarization-Qualität systematisch bewerten

Übung 3 — Zwei Summarization-Strategien kritisch vergleichen

Aufgabe: Wählen Sie ein reales Dokument aus Ihrem Berufsalltag (oder nutzen Sie das in Übung 1 verwendete Dokument). Wenden Sie zwei verschiedene Summarization-Strategien an und bewerten Sie die Qualität der Ergebnisse nach definierten Kriterien.

Material: Laptop mit Zugang zu ChatGPT Team oder Microsoft 365 Copilot; ein Dokument Ihrer Wahl (5–20 Seiten empfohlen).

Schritt-für-Schritt: 1. Wählen Sie ein Dokument und definieren Sie Ihren Nutzungszweck: Wofür brauchen Sie die Zusammenfassung? (Entscheidungsvorbereitung, Briefing für Kolleginnen, eigener Überblick, Präsentationsvorbereitung?) 2. Strategie A — Freie Zusammenfassung: „Fasse dieses Dokument in maximal 300 Wörtern zusammen.” 3. Strategie B — Zweckgerichtete Extraktion: „Extrahiere aus diesem Dokument ausschließlich [spezifischer Aspekt, z.B. ‘Entscheidungspunkte und offene Fragen’]. Format: nummerierte Liste, max. zwei Sätze pro Punkt.” 4. Bewerten Sie beide Outputs nach fünf Kriterien (1–5 Punkte): Vollständigkeit der relevanten Inhalte | Abwesenheit irrelevanter Details | Nutzbarkeit für Ihren definierten Zweck | Lesbarkeit | Vertrauenswürdigkeit (keine Inhalte hinzuerfunden?). 5. Welche Strategie hat gewonnen — und warum? 6. Formulieren Sie eine dritte Variante, die die Stärken beider Strategien kombiniert.

Erwartetes Ergebnis: Ein kritisches Verständnis dafür, dass Summarization-Qualität stark vom Nutzungszweck abhängt — und dass zweckgerichtete Extraktion für die meisten Berufskontexte wirkungsvoller ist als freie Zusammenfassung.

Transferfrage: Wenn eine KI-Zusammenfassung als Grundlage für eine wichtige Entscheidung dient — welche Mindestanforderungen an die menschliche Verifikation sollten immer eingehalten werden?

Praxis-Exkurs — Summarization-Workflows in der Praxis

Workflow 1 — Wöchentliche Branchen-News-Zusammenfassung (IT-Beratung):

Ein IT-Beratungsunternehmen will wöchentlich die wichtigsten KI- und Cloud-Entwicklungen für sein 80-köpfiges Team zusammenfassen. Manuell: 3 Stunden Recherche und Schreiben. Mit KI: 25 Minuten.

Prozess: Schritt 1: Drei bis fünf relevante Artikel aus Fachmedien (Heise, CIO.de, t3n) werden in den Prompt eingefügt. Schritt 2: Summarization-Prompt: „Du bist Redakteur eines internen IT-Newsletters für IT-Berater. Fasse folgende Artikel zu einem 300-Wort-Newsletter zusammen. Format: Titel (5 Wörter), Einleitung (2 Sätze Überblick), dann drei Kurzmeldungen (je max. 80 Wörter mit Relevanzbegründung für IT-Berater). Abschluss: Eine ‚Was das für uns bedeutet’-Zeile.” Schritt 3: Menschliche Redaktion: 10 Minuten Prüfung und ggf. Ergänzung von internem Kontext.

Ergebnis: Konsistenter Newsletter-Stil, korrekte Fakten (aus den eingefügten Originalartikeln), relevante Einordnung.

Workflow 2 — Vertragsexzerpt für Einkauf (Industrie & Fertigung):

Ein Einkaufsteam erhält einen 40-seitigen Rahmenvertrag von einem neuen Lieferanten. Ziel: Innerhalb von 30 Minuten die für die Einkaufsentscheidung relevanten Kernklauseln extrahieren.

Prompt (mit Vertrag in Abschnitte aufgeteilt, da zu lang für ein Token-Fenster): „Du bist eine erfahrene Einkaufsrechtsexpertin. Extrahiere aus folgendem Vertragsabschnitt die für den Einkauf relevanten Kernklauseln.

Kategorien: (A) Preisanpassungsklauseln — wann kann der Lieferant Preise einseitig erhöhen? (B) Lieferbedingungen — Fristen, Pönale, Force Majeure. (C) Qualitätsanforderungen und Mängelansprüche. (D) Kündigungsrechte — Fristen und Bedingungen. (E) Haftungsbegrenzungen.

Format: Pro Kategorie: Originalzitat (kursiv) + kurze Interpretation (max. 2 Sätze). Wenn eine Kategorie im Abschnitt nicht vorkommt: ‚Nicht in diesem Abschnitt.’

WICHTIG: Dieses Exzerpt ersetzt keine rechtliche Prüfung. Alle kritischen Klauseln müssen durch Rechtsabteilung oder externen Anwalt bestätigt werden.”

Workflow 3 — Meeting-Protokoll zu Action Items (alle Branchen):

Gesprächstranskript (aus automatischer Transkription, z.B. Teams) → Strukturiertes Protokoll mit Action Items in unter 3 Minuten.

Prompt: „Analysiere folgendes Meeting-Transkript und erstelle ein strukturiertes Protokoll.

Output-Format: Datum und Teilnehmende: [aus Transkript] Entscheidungen: (nummerierte Liste, max. 5) Action Items: | Aufgabe | Verantwortlich | Deadline | Status | |———|—————|———|——–| [Alle genannten Aufgaben, Personen und Termine aus dem Transkript] Offene Punkte: (was wurde besprochen, aber nicht entschieden) Nächster Termin: [falls genannt]

Halte Dich strikt an den Transkript-Inhalt. Keine Ergänzungen, die nicht im Transkript genannt wurden.”

Reflexionsfragen

1. Welche Dokumenttypen kommen in Ihrem Arbeitsalltag am häufigsten vor — und welche Summarization-Strategie würde dort den größten Nutzen stiften?
2. Wie unterscheiden sich die Informationsbedürfnisse verschiedener Stakeholder (Entscheider, Technikteam, Rechtsabteilung) bei der Aufbereitung desselben Dokuments?
3. Wo liegt für Sie persönlich die Grenze zwischen hilfreicher KI-Zusammenfassung und dem Risiko, wichtige Details zu übersehen?
4. Wie können Sie sicherstellen, dass KI-Zusammenfassungen von Dokumenten mit Personenbezug DSGVO-konform erstellt werden?
5. Welchen messbaren Zeitgewinn würden Sie erzielen, wenn Sie die zweckgerichtete Extraktion auf Ihre drei häufigsten Dokumenttypen anwenden?
6. KI-Summarization komprimiert Informationen — aber Kompression bedeutet immer Informationsverlust. Welche Arten von Informationen gehen bei typischen Zusammenfassungen zuerst verloren, und wie lässt sich das durch gezielte Prompt-Gestaltung minimieren?
7. Wenn Sie ein wichtiges Dokument zusammenfassen lassen und dann die Zusammenfassung als Entscheidungsgrundlage nutzen — ohne das Original zu lesen: Welches Restrisiko verbleibt, und wie sollte dieses dokumentiert werden?

Quellen & Weiterlesen

Didaktische Vertiefung — Summarization als kritisches Denken

UE 33 hat eine metakognitive Dimension: Wer Summarization-Strategien kennt, versteht auch besser, wie alle KI-Textverarbeitung funktioniert — und entwickelt ein kritischeres Verhältnis zu KI-generierten Zusammenfassungen.

Halluzinations-Demo für Summarization:

Demonstrieren Sie live, was passiert, wenn ein Dokument den Kontext-Fenster des Modells übersteigt: Das Modell beginnt zu „halluzinieren” — es ergänzt fehlende Inhalte aus seinem allgemeinen Wissen. Zeigen Sie dies mit einem langen Dokument und einer anschließenden Verifikationsanfrage. Das schärft das kritische Bewusstsein für Grenzen der Summarization.

Progressive Summarization als Produktivitätstechnik:

Verbinden Sie die Summarization-Strategien mit dem Konzept des Personal Knowledge Management (PKM): Progressive Summarization (Tiago Forte) — Texte in Schichten verdichten — ist im KI-Kontext noch effektiver, weil das Modell jede Verdichtungsstufe in Sekunden ausführt. Für Teilnehmende, die viel lesen und Wissen aktiv managen, ist dieses Konzept ein direkter Produktivitäts-Multiplikator.

Qualitätsprüfung als Pflicht-Schritt:

Verankern Sie die Botschaft: Jede KI-Zusammenfassung eines wichtigen Dokuments muss gegen das Original verifiziert werden. Mindestens drei Stichproben: Ist eine spezifische Zahl korrekt? Ist eine Schlussfolgerung im Original so formuliert? Gibt es Nuancen, die die Zusammenfassung verschweigt? Diese Kultur der Verifikation ist in compliance-intensiven Branchen nicht optional.

Hinweise für AI Champions — So vermitteln Sie das Thema — UE 33

Timing (45 Min): 5 Min Einstieg (Alltagsbeispiel langer Dokument-Stack), 15 Min Lerntext (Kontextfenster + vier Strategien), 15 Min Übung 1 (Strategievergleich an eigenem Dokument), 8 Min Übung 2 (Vertragsanalyse), 2 Min Reflexion + Übergang.

Methodische Empfehlung: Übung 1 mit eigenem Dokument der Teilnehmenden machen — das erhöht die Authentizität erheblich. Falls kein geeignetes Dokument vorhanden ist: einen öffentlich verfügbaren Jahresbericht oder eine technische Spezifikation vorbereiten. Für Übung 2 das fiktive Vertragsfragment ausdrucken, damit Teilnehmende das Original auch manuell prüfen können — das macht die Drei-Quellen-Regel greifbar.

Häufige Stolpersteine: (a) Teilnehmende unterschätzen die Notwendigkeit der Quellenkontrolle — ein konkretes Beispiel einer plausiblen, aber falschen KI-Aussage (z. B. falsch übertragenenes Datum) schärft das Bewusstsein. (b) DSGVO bei Dokument-Uploads wird oft als bürokratisch abgetan — das Haftungsbeispiel aus der WarnungBox verdeutlicht die Relevanz. (c) NotebookLM ist für viele neu — eine kurze Demo (3 Min) ist wertvoller als eine lange Erklärung.

Diskussionsfragen für Plenum: (1) Welche Ihrer aktuellen Dokumenttypen wären DSGVO-kritisch für den Upload? (2) Was wäre das schlimmste Szenario, wenn eine KI-Zusammenfassung eines Vertrags ohne Quellenkontrolle direkt weitergeleitet würde?

Tafelbild-Vorschlag: Eine einfache Matrix: Dokumentlänge (kurz/lang) × Nutzerzweck (Überblick/Extraktion) → welche Strategie passt in welches Feld?

Differenzierung Power-User ↔ Einsteiger: Power-User implementieren einen vollständigen kombinierten Workflow: hierarchische Zusammenfassung + zweckgerichtete Extraktion + Stufen-Zusammenfassung für drei Zielgruppen. Einsteiger fokussieren auf Strategie 2 (Zweckgerichtete Extraktion) — die konkreteste und sofort anwendbare Strategie für Berufspraxis.

Materialliste: Laptop, Zugang zu ChatGPT Team oder Claude, ausgedrucktes fiktives Vertragsfragment für Übung 2, Cheatsheet.

Übergang zur nächsten UE: „In UE 33 haben wir gelernt, wie man aus langen Dokumenten gezielt Informationen extrahiert. In UE 34 bauen wir diese Erkenntnisse — zusammen mit allen Prompts aus Modul 3 — zu einer dauerhaft nutzbaren Team-Bibliothek aus.”

Tipp zur Branchenauswahl: Für IT-Dienstleistungs-Kontexte ist die RFP-Analyse-Vignette am direktesten relevant. Für Fertigungsunternehmen bietet die Vignette zur Spezifikationsprüfung den besten Anknüpfungspunkt. Für Finanzdienstleister und öffentliche Verwaltung sind die jeweiligen Vignetten mit DSGVO-Schwerpunkt besonders wichtig.

Quelle: KI-Wissensbasis von MindsMachines, Edition Juni 2026. Vollständige Fassung mit Anhängen und Musterlösungen: als PDF anfordern.