Dieser Anhang sammelt die Fragen, die in Trainings zu den Themen dieses Moduls am häufigsten gestellt werden. Die Antworten sind so formuliert, dass sie direkt in der Trainerpraxis genutzt werden können — entweder als Vorbereitung oder als Nachschlage-Ressource.
FAQ-Bereich 1: Grundlagen und Einstieg
F1.1: Ist KI nicht eigentlich nur etwas für Technik-affine Menschen? Ich bin kein IT-Profi.
Diese Frage spiegelt ein verbreitetes Missverständnis. KI-Assistenten wie Copilot oder ChatGPT sind auf eine Bedienungslogik ausgelegt, die kein technisches Vorwissen voraussetzt: Man schreibt in natürlicher Sprache, was man braucht — und bekommt eine Antwort. Das ist konzeptionell einfacher als Excel-Formeln zu schreiben oder ein Präsentationsprogramm zu bedienen. Die Herausforderung liegt nicht in der Technik, sondern in der Formulierung: Was sage ich der KI, damit ich das bekomme, was ich wirklich brauche? Diese Fähigkeit — strukturiertes Prompten — ist keine IT-Kompetenz, sondern eine Kommunikations- und Denkkompetenz. Und die liegt genau in dem Bereich, in dem Wissensarbeiterinnen und Wissensarbeiter ohnehin stark sind.
F1.2: Welches KI-Tool soll ich zuerst ausprobieren? Es gibt so viele.
Als erste Anlaufstelle empfiehlt sich das Tool, das in der eigenen Organisation bereits lizenziert und freigegeben ist. In vielen Organisationen ist das Microsoft 365 Copilot oder GitHub Copilot für Entwicklerinnen und Entwickler. Wer keinen Enterprise-Zugang hat, kann mit ChatGPT (kostenlos oder Plus) starten. Der Einstieg ist wichtiger als die Tool-Wahl: Fangen Sie mit einer echten Aufgabe aus dem Arbeitsalltag an — nicht mit einem Experiment — und beobachten Sie, was gut funktioniert und was nicht. Die Transfer-Kompetenz zwischen Tools ist hoch; wer einen Assistenten versteht, versteht das Prinzip aller anderen.
F1.3: Speichert die KI meine Eingaben? Werden meine Daten für das Training genutzt?
Das hängt stark vom genutzten System und den Lizenzkonditionen ab. Bei Enterprise-Produkten (M365 Copilot, ChatGPT Enterprise, Google Workspace Gemini) sind die Daten typischerweise durch Verträge geschützt: Sie werden nicht für das Training des Basismodells genutzt, und es gelten die Datenschutzvereinbarungen des Unternehmensvertrags. Bei kostenlosen Konsumenten-Produkten ist die Situation anders — hier können Eingaben zur Modellverbesserung genutzt werden (je nach Einstellungen und Nutzungsbedingungen). Grundregel: Sensitive Unternehmensdaten ausschließlich in Enterprise-lizenzierten Systemen verarbeiten. Bei Unsicherheit immer die IT-Sicherheit oder den Datenschutzbeauftragten befragen.
F1.4: Was passiert, wenn die KI falsche Informationen produziert?
Sprachmodelle können mit hoher Überzeugung falsche Informationen generieren — ein Phänomen, das als Halluzination bezeichnet wird. Halluzinationen sind keine Ausnahme, die man verhindern kann, sondern ein strukturelles Merkmal, das man managen muss. Konsequenzen für die Praxis: Faktenbehauptungen immer durch zuverlässige Quellen verifizieren, bevor man sie weiterverwendet. Prompts so formulieren, dass die KI aufgefordert wird, bei Unsicherheit dies anzugeben (z.B. „Wenn du dir bei einem Punkt nicht sicher bist, sage das explizit”). Besonders kritisch bei Zahlen, Daten, Rechtsfragen und Personenangaben: Diese Informationstypen haluzinieren Modelle überdurchschnittlich häufig.
F1.5: Kann die KI meine Arbeit wirklich verstehen, wenn sie meinen Kontext nicht kennt?
Das ist eine sehr präzise Beobachtung. KI-Assistenten haben keinen Zugang zu nicht-mitgeteiltem Kontext. Sie kennen nicht die Unternehmenskultur, nicht die spezifischen Präferenzen eines Kunden, nicht die Geschichte einer internen Diskussion — es sei denn, Sie teilen diese Information im Prompt mit. Die Qualität der KI-Unterstützung ist daher direkt proportional zur Qualität des Kontexts, den der Nutzer bereitstellt. Das ist der Kern der Prompt-Didaktik: nicht mehr Technik, sondern mehr Kontext. Wer gelernt hat, seinen Kontext präzise zu beschreiben, bekommt von KI erheblich bessere Unterstützung.
FAQ-Bereich 2: Prompt-Technik und Qualitätssicherung
F2.1: Warum gibt die KI manchmal sehr unterschiedliche Antworten auf denselben Prompt?
Sprachmodelle haben eine inhärente Variabilität (sogenannte Temperatur), die dafür sorgt, dass die Ausgaben nicht deterministisch identisch sind. Das hat Vor- und Nachteile: Vorteil ist kreative Vielfalt; Nachteil ist Unvorhersehbarkeit bei standardisierten Aufgaben. Bei kreativen Aufgaben kann man von der Variabilität profitieren, indem man mehrere Varianten generiert und die beste auswählt. Bei stark standardisierten Aufgaben hilft eine präzisere, engere Prompt-Formulierung, die den Variationsspielraum reduziert. Manche Enterprise-KI-Systeme erlauben auch direkte Einstellung der Temperatur.
F2.2: Wie lang sollte ein guter Prompt sein? Ist länger besser?
Länge ist kein Qualitätsmerkmal. Ein präziser, klar strukturierter Prompt von 80 Wörtern ist besser als ein unstrukturierter, vager Prompt von 400 Wörtern. Die 6-teilige Prompt-Struktur (Rolle · Aufgabe · Ziel · Kontext · Output · Beispiele) gibt eine gute Orientierung: Alle relevanten Dimensionen abdecken — aber jede Dimension so knapp wie möglich formulieren. Faustregel: Ein guter Prompt enthält nichts, was man weglassen könnte, ohne die Ausgabequalität zu verschlechtern.
F2.3: Was ist der Unterschied zwischen einem System-Prompt und einem User-Prompt?
In technischen KI-Implementierungen gibt es häufig eine Unterscheidung zwischen einem System-Prompt (der das grundsätzliche Verhalten, die Rolle und die Rahmenbedingungen der KI festlegt — meist unsichtbar für den Endnutzer) und dem User-Prompt (die konkrete Anfrage des Nutzers). In Standard-Produkten wie ChatGPT oder Copilot ist der System-Prompt vom Hersteller voreingestellt — Nutzer sehen nur ihren eigenen Eingabebereich. In der Praxis ist für Wissensarbeiter primär relevant: Der eigene Prompt kann Teile der System-Prompt-Funktion übernehmen, indem er explizit Rolle, Tonalität und Rahmen definiert (was Abschnitt 1 der 6-teiligen Struktur leistet).
F2.4: Wie kann ich überprüfen, ob eine KI-Antwort gut ist?
Fünf Prüf-Dimensionen für KI-Outputs: (1) Korrektheit — sind Faktenbehauptungen verifizierbar und korrekt? (2) Vollständigkeit — deckt die Antwort alle Aspekte des Prompts ab? (3) Angemessenheit — passt Tonalität, Länge und Format zum Einsatzkontext? (4) Verwendbarkeit — kann der Text ohne erhebliche Überarbeitung eingesetzt werden? (5) Integrität — enthält der Text keine impliziten Annahmen oder Wertungen, die nicht beabsichtigt sind? Diese fünf Dimensionen lassen sich als Mini-Checkliste verwenden, die nach jeder wichtigen KI-Nutzung kurz durchgegangen wird.
F2.5: Ich bekomme immer generische Antworten. Wie mache ich den Output spezifischer?
Drei Hebel für Spezifität: Erstens, mehr Kontext geben — wer der Empfänger ist, was der Hintergrund der Situation ist, welche Vorinformationen vorliegen. Zweitens, explizit ausschließen, was nicht gewünscht wird: „Vermeide allgemeine Aussagen. Beziehe dich konkret auf…” Drittens, Beispiele liefern: „Die Antwort soll ähnlich klingen wie: [Beispieltext].” Der mächtigste Hebel ist der dritte — wenige Wörter Beispieltext verändern den Charakter der Ausgabe mehr als lange verbale Beschreibungen.
F2.6: Kann ich der KI sagen, dass sie mir ehrlich sagen soll, wenn sie etwas nicht weiß?
Ja — und es ist eine gute Praxis, dies explizit in den Prompt einzubauen. Formulierungsbeispiel: „Wenn du dir bei einem Punkt nicht sicher bist oder die Information außerhalb deines Wissensstands liegt, weise mich explizit darauf hin, anstatt zu spekulieren.” Modelle reagieren auf diese Art von Meta-Anweisung. Sie können Halluzinationsrisiken nicht eliminieren, aber reduzieren. Besonders wichtig bei Recherche-Aufgaben, rechtlichen oder regulatorischen Fragen und bei Zahlen.
FAQ-Bereich 3: KI im Kontext von Organisation und Führung
F3.1: Wie erkläre ich meiner Führungskraft den Nutzen von KI, ohne in Buzzwords zu verfallen?
Der effektivste Ansatz: Drei konkrete Beispiele aus dem eigenen Tätigkeitsbereich, mit geschätztem Zeitgewinn. Nicht: „KI steigert unsere Effizienz durch digitale Transformation.” Sondern: „Ich brauche bisher zwei Stunden für den monatlichen Statusbericht — mit KI-Unterstützung war ich diese Woche in 45 Minuten fertig, bei besserer Qualität. Das sind zehn Stunden im Monat, die ich für [andere Aufgabe] nutzen kann.” Konkrete Zahlen, persönliche Erfahrung, nachvollziehbarer Business-Wert.
F3.2: Was tun, wenn KI-Tools in meiner Organisation noch nicht freigegeben sind?
In vielen Organisationen hinkt die Governance-Diskussion dem technischen Möglichkeitsraum hinterher. Das ist nicht problematisch — es ist sorgfältig. Der konstruktive Umgang: Die Initiative ergreifen, eine Pilot-Anfrage zu formulieren. Vorschlag für ein strukturiertes Pilotprojekt: definierter Anwendungsfall, klare Datenschutz-Rahmenbedingungen, Erfolgsmetriken, Review-Termin nach vier bis sechs Wochen. Organisationen, die KI-Nutzung im strukturierten Pilot erleben, kommen meist zu einer positiven Entscheidung. Das Risiko bei übervorsichtiger Nicht-Freigabe ist oft größer als das Risiko des gesteuerten Einsatzes.
F3.3: Wie gehe ich mit Kolleginnen und Kollegen um, die KI skeptisch gegenüberstehen?
Skepsis ist legitim und hat oft gute Gründe. Drei hilfreiche Haltungen im Umgang mit KI-Skepsis: Erstens, Skepsis ernst nehmen — es gibt reale Risiken (Datenschutz, Bias, Jobverlust-Ängste), die nicht wegdiskutiert werden sollten. Zweitens, Skepsis nicht bekehren wollen — Menschen, die aus eigener Erfahrung überzeugt werden, sind überzeugter als solche, die überzeugt wurden. Einladen zum Ausprobieren ist wirkungsvoller als Argumentieren. Drittens, strukturellen Raum für Bedenken schaffen — eine Team-Diskussion, in der explizit gefragt wird „Was beunruhigt uns an KI?” ist produktiver als eine, in der nur Vorteile präsentiert werden.
F3.4: Wie kann man als Team gemeinsam KI-Kompetenz aufbauen?
Vier bewährte Formate für kollektiven KI-Kompetenzaufbau: (1) Wöchentliche „KI-Minuten” im Team-Meeting — eine Person teilt einen nützlichen Prompt oder eine neue Anwendung, maximal fünf Minuten. (2) Gemeinsame Prompt-Bibliothek — ein geteiltes Dokument, in das alle erfolgreiche Prompts eintragen. (3) Peer-Learning-Paare — je zwei Personen verabreden sich monatlich zu einem 30-Minuten-Austausch über ihre KI-Erfahrungen. (4) Gemeinsames Experiment-Protokoll — ein Team-Log, in dem Erfahrungen (was funktionierte / was nicht) dokumentiert werden, ohne Schuldzuweisung, mit Lernfokus.
F3.5: Wie misst man den ROI von KI-Nutzung im Team?
Drei Messansätze mit unterschiedlicher Präzision: Der einfachste Ansatz ist die Selbstschätzung: Mitarbeitende schätzen vor und nach einer KI-Einführung, wie viel Zeit sie pro Woche für definierte Aufgaben aufwenden. Belastbarer, aber aufwändiger: Zeiterfassung für bestimmte Aufgaben über einen Vergleichszeitraum (vier Wochen vor / vier Wochen nach KI-Einführung). Am genauesten, aber selten praktikabel: A/B-Vergleich, bei dem eine Gruppe mit KI, eine ohne arbeitet. In der Praxis sind Selbstschätzungs-Ansätze oft ausreichend für interne Steuerungszwecke und haben den Vorteil, dass sie die Reflexion der Mitarbeitenden über den eigenen Nutzen stärken.
FAQ-Bereich 4: Qualität, Ethik und Verantwortung
F4.1: Darf ich KI-generierte Inhalte als meine eigenen einreichen?
Diese Frage ist kontextabhängig. In beruflichen Kontexten — Berichte, E-Mails, Präsentationen — ist die Nutzung von KI-Assistenten weitgehend analog zur Nutzung von Textbausteinen, Sprachkorrektoren oder Schreibassistenten. Die inhaltliche Verantwortung liegt beim Einreichenden, unabhängig von der Entstehungsweise. In akademischen Kontexten gelten die Regeln der jeweiligen Institution — viele Hochschulen haben inzwischen explizite Leitlinien formuliert. In Kontexten, in denen die persönliche Stimme oder der persönliche Einsatz explizit erwartet wird (Bewerbungen, Empfehlungsschreiben, Gutachten), ist eine vollständige KI-Generierung ohne eigene inhaltliche Beteiligung ethisch zweifelhaft, unabhängig von formalen Regeln.
F4.2: Was ist der Unterschied zwischen KI-Unterstützung und KI-Delegation?
Das ist eine wichtige konzeptuelle Unterscheidung. KI-Unterstützung bedeutet: Ich definiere das Ziel, überprüfe den Output, steuere den Prozess — die KI ist ein leistungsstarkes Werkzeug. KI-Delegation bedeutet: Ich übergebe die Aufgabe vollständig und übernehme den Output ohne kritische Prüfung. KI-Unterstützung ist professionell und produktiv; KI-Delegation ist riskant und ethisch problematisch. Die Grenze verläuft bei der Überprüfung und Verantwortungsübernahme: Wer prüft und korrigiert, unterstützt sich; wer blind akzeptiert, delegiert.
F4.3: Kann KI diskriminieren? Und was hat das mit mir zu tun?
Ja — in dem Sinne, dass KI-Outputs Bias aus den Trainingsdaten reproduzieren können. Das ist nicht eine abstrakte technische Frage, sondern eine praktische Relevanz: Wenn ich KI nutze, um Stellenausschreibungen zu formulieren, Kandidaten-Beurteilungen zu erstellen oder Kunden-Kommunikation zu verfassen, ist es meine Verantwortung, die Outputs auf unbeabsichtigte Diskriminierungen zu prüfen. Praktisches Vorgehen: Bei HR-relevanten Texten explizit prompten, auf diskriminierende Formulierungen zu prüfen. Wenn möglich, mehrere Personen aus verschiedenen Perspektiven den finalen Text lesen lassen. Den Text mit der Frage lesen: „Würde dieser Text Menschen aus verschiedenen Hintergründen gleichermaßen ansprechen?”
F4.4: Wie erkenne ich, ob eine KI-Antwort plausibel klingt, aber faktisch falsch ist?
Das ist die schwierigste Herausforderung im Umgang mit Sprachmodellen. Einige Indikatoren, die erhöhte Vorsicht erfordern: Sehr spezifische Zahlen ohne Quellenangabe (z.B. „der Markt wuchs um 3,7 %“). Vollständig ausformulierte Zitate, die nicht verifizierbar sind. Namen und Ereignisse, die in einem spezifischen Kontext aufgeführt werden. Rechtliche oder regulatorische Details, die das Modell exakt zu kennen vorgibt. Grundregel: Alles, was ich inhaltlich nicht selbst beurteilen kann und was entscheidend für meine Verwendung ist, muss ich an externen Quellen verifizieren. KI-Outputs, die ich nicht überprüfen kann, sind als Arbeitshypothesen zu behandeln — nicht als Fakten.
F4.5: Ist es problematisch, wenn alle im Team dieselben Prompts nutzen?
Eine geteilte Prompt-Bibliothek ist ein Effizienz-Gewinn — aber mit einem wichtigen Bewusstsein: Wenn alle denselben Prompt nutzen, bekommen alle tendenziell ähnliche Antworten. Das kann Homogenisierung von Ideen und Output-Diversität reduzieren. Für Routineaufgaben (Formatierung, Zusammenfassungen, Standardkommunikation) ist das unproblematisch und sogar gewünscht. Für kreative oder strategische Aufgaben ist es sinnvoll, geteilte Basis-Prompts als Ausgangspunkt zu sehen — und sie dann individuell anzupassen. Die Prompt-Bibliothek sollte nicht die eigene Urteilskraft und den eigenen Kontext ersetzen, sondern den Einstieg beschleunigen.
Quelle: KI-Wissensbasis von MindsMachines, Edition Juni 2026. Vollständige Fassung als PDF anfordern.