Wie arbeitet man mit KI? Drei Fähigkeiten, die wichtiger sind als fertige Prompts

Du entwickelst mit ChatGPT den Text für eine Landingpage. Das Ergebnis klingt rund, und mittendrin steht der Satz: „Studien zeigen, dass 67 Prozent der Kunden ihren Warenkorb verlassen, wenn die Versandkosten nicht sofort sichtbar sind.“ Die Zahl passt perfekt – konkret, glaubwürdig, bereit für die Headline. Es gibt nur ein Problem: Das Modell hat sie gerade erfunden. Samt Studie.

Wenn du ein Unternehmen führst oder Marketing verantwortest, stehst du wahrscheinlich an einem von zwei Punkten. Entweder nutzt du KI bereits für Angebote, Posts und Sales-E-Mails – und erwischst das Modell gelegentlich beim Erfinden. Oder du hältst noch Abstand, weil du von Halluzinationen gehört hast und dich nicht mit einem Kundentext blamieren willst, in dem die Hälfte der Fakten nicht stimmt. Beide Positionen sind vernünftig.

Und in beiden Fällen lassen sich die Grenzen von KI weitgehend in den Griff bekommen. Dafür brauchst du die drei Fähigkeiten aus diesem Artikel. Zuerst muss ich dir allerdings zeigen, warum das Problem nicht nur in der Maschine liegt. Es liegt auch in uns.

Warum vertrauen wir Maschinen, die Dinge erfinden?

Unser Vertrauen in Maschinen wurde schon getestet, lange bevor jemand von ChatGPT gehört hatte. In einer bekannten Untersuchung setzten die Psychologinnen Kathleen Mosier und Linda Skitka Berufspiloten in einen Flugsimulator auf der Strecke von San Francisco nach Los Angeles. Mosier erforschte während ihrer gesamten Laufbahn Entscheidungen von Cockpitbesatzungen und arbeitete mit dem NASA Ames Research Center zusammen. Skitka wurde später vor allem durch ihre Forschung zu moralischen Überzeugungen bekannt.

Im Simulator wartete eine Falle: widersprüchliche Hinweise auf einen Triebwerksbrand. Die Instrumente meldeten Feuer im linken Triebwerk. Das Tablet mit der elektronischen Notfall-Checkliste verlangte dagegen, das rechte Triebwerk abzuschalten.

Drei Viertel der Piloten folgten der Automatik. Anzeigen und Ausbildung sagten etwas anderes – trotzdem schalteten 75 Prozent der Crews das intakte Triebwerk ab, weil das System es empfahl. In der Kontrollgruppe mit Papier-Checkliste machten nur 25 Prozent denselben Fehler.

Die Forscherinnen bezeichneten dieses Phänomen als Automation Bias: Sobald eine Maschine etwas vorschlägt, suchen und verarbeiten Menschen Informationen weniger aufmerksam. Der Hinweis der Automatik wird zur Abkürzung. Statt selbst nachzudenken, prüfen wir kurz, was das System sagt, und machen weiter. Mosier und Skitka unterschieden später zwei Fehlertypen: Auslassungsfehler – das System übersah etwas, also wir auch – und Ausführungsfehler – das System befahl etwas, also taten wir es ungeprüft.

Bei KI geraten wir in dieselbe Falle. Wir überfliegen den Text und übersehen erfundene Daten. Oder wir denken gar nicht erst darüber nach: Das System liefert eine Strategie, wir führen sie aus.

Die Forschung enthält auch eine gute Nachricht. Piloten, die sich persönlich dafür verantwortlich fühlten, wie sie die Automatik nutzten, kontrollierten deren Vorschläge häufiger und machten deutlich weniger Fehler. Das Bewusstsein, mit einem automatisierten System zu arbeiten, plus das Gefühl, den eigenen Namen unter das Ergebnis setzen zu müssen – damit fangen wir an. Danach kommen drei Fähigkeiten, mit denen du die Kontrolle behältst.

Fähigkeit eins: Verstehe, woher das Modell sein Wissen nimmt

Um erfundene Inhalte zu kontrollieren, musst du verstehen, wie ein Modell überhaupt „spricht“. Der Mechanismus ist einfacher, als er aussieht.

Ein Sprachmodell tut im Kern eine Sache: Es sagt das nächste Token voraus, also einen Wortbestandteil. Es bekommt Text und schätzt, was statistisch als Nächstes folgen sollte. Dann noch einmal. Und noch einmal. Die ganze Eloquenz von ChatGPT entsteht aus zwei Dingen:

Der Vorgang wird tausendfach wiederholt – für ein einzelnes Wort oft mehrmals.
Bei der Wahrscheinlichkeitsberechnung fließen zig Milliarden Parameter ein. Diese Größenordnung können wir kaum erfassen; deshalb wirkt sie auf uns ein wenig wie Magie oder Intelligenz.

Aber weißt du was? Du machst etwas Ähnliches. Beim Sprechen planst du einen Satz nicht bis zum letzten Wort. Dein Gehirn liefert die nächsten Wörter währenddessen. Wenn du eine alte Geschichte erzählst und dir ein Detail fehlt, setzt es unauffällig etwas Plausibles ein. Welche Farbe hatte der Mietwagen? Schon bekommt er eine erfundene Farbe. Dasselbe passiert mit dem Namen des Kellners oder dem Rechnungsbetrag. Psychologen nennen das Konfabulation. Niemand bemerkt sie, weil die Ergänzung zur Geschichte passt. Manchmal merken wir es nicht einmal selbst.

Das Modell konfabuliert bei jedem einzelnen Token. Solange seine Vorhersage auf etwas beruht, das es tatsächlich „gesehen“ hat – in Trainingsdaten oder in Material, das du ihm gegeben hast –, bleibt das Ergebnis eher bei den Fakten. Gibt es aber eine Lücke, stoppt es nicht mit einer Fehlermeldung. Es schreibt weiter und füllt die Lücke mit statistisch passendem Inhalt: einer plausiblen Zahl, einem plausiblen Berichtstitel oder einem plausiblen Expertennamen. So entstand meine „Studie über 67 Prozent Warenkorbabbrüche“: Das Modell wusste, wie Marketingtexte mit Statistiken klingen, und erzeugte einen solchen Satz.

Andrej Karpathy, einer der Mitgründer von OpenAI, nennt Modelle dream machines: Ihr natürlicher Zustand sei das Halluzinieren, und mit Prompts lenkten wir lediglich ihre Träume. Eine Statistik zu erfinden und einen griffigen Slogan zu schreiben, beruht auf demselben Mechanismus. Du kannst nicht das eine herausschneiden, ohne das andere zu beschädigen.

Wenn sich das Erfinden nicht abschaffen lässt, bleibt Kontrolle. Und sie beginnt mit der Frage: Woher nimmt das Modell das, was es sagt? Es gibt drei Quellen. Jede verlangt etwas anderes von dir.

Modellgewichte – das mitgebrachte Wissen

Gewichte sind die komprimierte Erinnerung an das Trainingsmaterial des Modells – Milliarden Textseiten, verdichtet zu Parametern. Daher „kennt“ das Modell Copywriting-Regeln, Formate für LinkedIn-Posts und allgemeines Wissen über deine Branche.

Ein Praxistest für jeden Unternehmer: Frage ein Modell nach deinem Unternehmen und deinen Wettbewerbern. Nimm dafür eines ohne Internetzugang. Dann siehst du schwarz auf weiß, was in den Gewichten steckt: manchmal überraschend viel, manchmal nichts und manchmal – am gefährlichsten – eine Mischung aus Wahrheit und Konfabulation. Dieses Experiment lehrt dich mehr über die Grenzen eines Modells als so mancher Kurs.

Die schlechte Nachricht: Du kannst die Gewichte nicht beeinflussen. Wenn KI-Nutzer davon sprechen, ihre „eigene KI zu trainieren“, meinen sie in 99,9 Prozent der Fälle nicht, die Modellgewichte zu verändern. Das ist teuer, langwierig und für die meisten von uns unwirtschaftlich.

Zwei gute Nachrichten: Erstens kannst du das Modell wechseln – etwa ChatGPT gegen Gemini oder Claude tauschen. Bei Fähigkeit drei wird diese Möglichkeit noch interessanter. Zweitens sind die Gewichte nur eine der Informationsquellen, die das Modell beim Erstellen nutzt. Die beiden anderen kannst du verändern.

Sichtbarer Kontext – was du selbst hineingibst

Die zweite Quelle liegt in deiner Hand: alles, was du in die Unterhaltung schreibst oder einfügst. Fragen, Anweisungen, Dokumente und Dateien. Das ist der Arbeitsspeicher des Modells – und dein stärkstes Mittel gegen Halluzinationen. Ein Modell, das zitieren kann, muss nicht raten.

Im Marketingalltag sieht das so aus: Du schreibst ein Angebot? Füge Preisliste, Leistungsbeschreibung und zwei echte Kundenstimmen ein, statt anzunehmen, das Modell wisse schon etwas über dein Unternehmen. Du brauchst Sales-Posts? Hänge die Produktseite und eine Liste typischer Einwände aus Verkaufsgesprächen an. Du willst Kampagnenergebnisse analysieren? Exportiere die Daten und übergib die Datei, statt Zahlen aus dem Gedächtnis zu beschreiben.

Kontext zu liefern kann langweilig sein. Im Arbeitsalltag mit KI ist es aber die wirksamste bekannte Methode gegen erfundene Inhalte – und der kürzeste Weg zu Texten, die nach deinem Unternehmen klingen statt nach dem Durchschnitt des Internets.

Wieder gibt es eine schlechte und eine gute Nachricht. Ohne Übung sind wir miserabel darin, Kontext vollständig bereitzustellen. Wir setzen voraus, dass das Modell etwas weiß, das es gar nicht wissen kann, und ärgern uns anschließend über seine Halluzinationen. Die gute Nachricht: Prompt-Strukturen lösen genau dieses Problem. Das ist Fähigkeit drei.

Unsichtbarer Kontext – was das Modell selbst heranzieht

Die dritte Quelle ist die jüngste und tückischste. Moderne Modelle können während der Arbeit nach außen greifen: das Internet durchsuchen, Websites lesen oder sich über MCP-Server mit deinen Werkzeugen verbinden. MCP steht für Model Context Protocol – ein Protokoll, über das ein Modell etwa in Kalender, CRM oder Postfach schauen kann. Alles Gefundene landet im selben Arbeitsspeicher wie deine Anweisungen. Mit einem Unterschied: Du siehst nicht unbedingt, wie es dort hineinkommt.

Du beauftragst das Modell mit Wettbewerbsrecherche für ein Angebot. Es durchsucht das Netz und liefert eine Analyse. Worauf beruht sie? Auf einem Branchenbericht – oder auf dem Forenbeitrag eines Menschen mit starken Meinungen und schwachen Quellen? Wenn du nicht prüfst, weißt du es nicht. Gewöhne dir deshalb eine Kontrollfrage an: „Auf welche Quellen stützt du diese Antwort? Zeig mir die Liste.“ Ein Blick auf die Quellen dauert dreißig Sekunden. Eine Kundenanalyse auf Grundlage einer Forenlegende zu versenden, kostet mehr.

Profi-Tipp: Werkzeuge wie ChatGPT bieten dauerhafte Anweisungen, an die sich das Modell in jeder neuen Unterhaltung mit dir halten soll. Lass dort festlegen, dass es seine Quellen immer auflistet.

Die Automationsforscher John Lee und Katrina See nennen die passende Haltung Kalibrierung von Vertrauen. Die Kunst besteht weder darin, einer Maschine zu vertrauen, noch darin, ihr grundsätzlich zu misstrauen. Du musst wissen, wann sie Vertrauen verdient. Die drei Quellen ergeben eine einfache Skala. Eine Antwort aus den Gewichten behandelst du wie die Aussage eines belesenen Bekannten: interessant, aber zu prüfen. Eine Antwort aus deinen Dokumenten ist deutlich verlässlicher. Eine Antwort aus dem Internet ist so gut wie die gefundenen Quellen – also schau sie dir an.

Zum Schluss dieser Sektion noch eine Falle: Forschung zur Zusammenarbeit mit KI zeigt ein Erklärungsparadox. Je flüssiger und ausführlicher ein Modell seine Antwort begründet, desto eher vertrauen wir ihm – unabhängig davon, ob es recht hat. Bei Menschen funktioniert das genauso: Wer etwas sehr selbstsicher erklärt, wirkt glaubwürdiger.

Fähigkeit zwei: Wechsle vom Chat zu Dateien

Die zweite Fähigkeit verlangt ein anderes Bild davon, was Arbeiten mit KI überhaupt bedeutet. Die meisten Menschen reduzieren es auf ein Chatfenster: Frage eingeben, Antwort erhalten, in Word kopieren. Inzwischen haben sich die Werkzeuge auf drei Ebenen verteilt, die für unterschiedliche Arbeiten gedacht sind.

Chat-Modus bedeutet Gespräch. Das Modell antwortet mit Text und erzeugt manchmal Bilder. Du überträgst die Ergebnisse manuell. Ideal zum Denken: Kampagnenideen sammeln, ein Angebot skizzieren, Headlines testen, lernen. Begrenzter Nutzen, wenn am Ende eine Datei, Tabelle oder Präsentation stehen soll.
Task-Modus bedeutet Arbeit an Dateien. Das Modell erhält Zugriff auf einen Ordner, Dokumente und Werkzeuge. Statt zu beschreiben, was möglich wäre, erledigt es die Aufgabe. Beispiele aus dem Marketing: Es bekommt einen Fotoordner und eine CSV-Datei und liefert achtzig Produktbeschreibungen für den Shop. Es erhält einen Export aus dem E-Mail-System und erstellt einen Bericht mit Segmentierung und Empfehlungen. Es verarbeitet die Aufzeichnung eines Verkaufsgesprächs zu Notiz, Angebot und CRM-Eintrag über einen MCP-Server. Du bist nicht länger der Kurier zwischen Chatfenster und restlichem Computer.
Code-Modus geht noch weiter. Das Modell kann nicht nur Dateien bearbeiten, sondern auch ein Programm schreiben, das ihm bei deiner Aufgabe hilft. Für Marketingarbeit nennen wir das die fortgeschrittene Ebene. Die meisten von uns brauchen sie nicht.

Das Problem: Jeder Anbieter benennt diese Ebenen anders. Hier ist die Übersicht mit Stand Juli 2026:

OpenAI

Chat-Ebene: ChatGPT
Task-Ebene: ChatGPT Work, seit Juli 2026; zuvor Codex
Code-Ebene: Codex oder ChatGPT Code

Google

Chat-Ebene: Gemini
Task-Ebene: Antigravity 2.0, seit Juni 2026; davor hatte Google kein Werkzeug auf dieser Ebene
Code-Ebene: Antigravity IDE und Antigravity CLI, seit Juni 2026; zuvor Gemini CLI

Anthropic

Anthropic hatte alle drei Modi gewissermaßen „schon immer“ an einem Ort: in Claude. Ihre Anordnung verschiebt sich allerdings ebenfalls häufig.

Chat-Ebene: Registerkarte Home, darin Chat-Modus; vor Juli 2026 die Registerkarte Chat
Task-Ebene: Registerkarte Home, darin Cowork-Modus; zuvor die Registerkarte Cowork
Code-Ebene: Registerkarte Code; im Grunde schon immer

Diese Liste wird schneller veralten, als mir lieb ist. Allein im Juni und Juli 2026 haben praktisch alle Anbieter ihre Marken neu sortiert. Die Namen werden sich weiter ändern. Die Trennung in Chat, Task und Code bleibt, denn sie entspricht drei tatsächlich verschiedenen Arbeitsweisen.

Warum behandle ich den Wechsel vom Chat- zum Task-Modus als eigene Fähigkeit und nicht als technisches Detail? Aus zwei Gründen.

Der erste ist praktisch: Der Produktivitätssprung ist gewaltig. Im Chat bittest du um den Text eines Berichts und formatierst ihn anschließend Absatz für Absatz. Im Task-Modus erhältst du eine fertige Datei, nachdem das Modell selbstständig das Quellmaterial im Ordner gelesen hat. Es ist der Unterschied zwischen einen Brief diktieren und die Korrespondenz delegieren.

Der zweite Grund ist psychologisch. Eine Studie von Michael Gerlich aus dem Jahr 2025 mit 666 Teilnehmenden zeigte einen Zusammenhang zwischen häufiger KI-Nutzung und schwächerem kritischem Denken. Als vermittelnder Mechanismus erschien cognitive offloading: geistige Arbeit wird an die Maschine ausgelagert. Das klingt zunächst wie ein Argument gegen KI. Die Schlussfolgerung ist aber feiner: Das Problem beginnt, wenn wir unser Denken abgeben. Im Task-Modus können wir stattdessen die Ausführung abgeben.

Kopieren, formatieren, einfügen und Dateien sortieren braucht keinen klugen Kopf. Es ist eine Steuer auf das Denken. Gut eingesetzte Automatisierung bezahlt diese Steuer für dich. Deine Energie bleibt für Entscheidungen: Mit wem sprechen wir? Was versprechen wir? Was unterscheidet uns? Unter einer Bedingung: Du triffst diese Entscheidungen weiterhin selbst. Im Task-Modus wird die Kontrolle des Kontexts sogar wichtiger, weil das Modell länger und selbstständiger arbeitet.

Fähigkeit drei: Konstruiere Prompts, statt sie zu sammeln

Damit bleibt die Fähigkeit, mit der die meisten Ratgeber beginnen – und die ich bewusst ans Ende setze. Ein Prompt ohne Verständnis für Wissensquelle und Arbeitsmodus ist wie eine brillant formulierte Frage an die falsche Person im falschen Raum.

Ein guter Prompt besteht aus mindestens drei Elementen.

Rolle. Wenn du schreibst „Du bist ein erfahrener E-Commerce-Stratege“, führst du kein Theaterstück auf. Du schickst das Modell in einen bestimmten Bereich seiner Wissenslandschaft. In den Gewichten liegen Texte von Strategen nahe beieinander. Die Rolle sorgt dafür, dass die Antwort eher aus dieser Nachbarschaft stammt als aus dem gesamten Internet, in dem jeder eine Meinung zum Verkaufen hat.
Aufgabe. Du definierst das Endergebnis: Was soll entstehen, in welcher Struktur, für wen und in welcher Länge? Nicht „Schreib etwas über unser Produkt“, sondern „Schreib drei Varianten einer Landingpage-Headline für einen Interessenten, der uns mit Wettbewerbern vergleicht und die Einführungskosten fürchtet.“
Hinweis. Dieses Element wird am häufigsten vergessen: etwas, das das Modell davon abhält, „wie alle anderen“ zu schreiben. Eine E-Mail, die bei dir funktioniert hat. Ein Abschnitt in deinem Stil. Ein Gegenbeispiel wie: „Vermeide einen Ton, bei dem jeder Satz wie ein Slogan klingt.“ Ohne Hinweis kehrt das Modell zur Mitte seiner Statistik zurück – zur durchschnittlichen Internetsprache, die auch deine Wettbewerber aus demselben Modell bekommen. Der Hinweis sagt: nicht von dort, sondern von hier.

Rolle, Aufgabe und Hinweis reichen für die meisten Alltagsanwendungen. Wie die Logik praktisch funktioniert, zeige ich an sechzehn Beispielen im Artikel über ChatGPT-Prompts fürs Copywriting.

Bei anspruchsvolleren Aufgaben – Kommunikationsstrategie, Angebot für einen Schlüsselkunden oder Kampagnenplan – empfehle ich die von Geoff Woods verbreitete CRIT-Struktur: Context, Role, Interview, Task, also Kontext, Rolle, Interview und Aufgabe.

Am interessantesten ist Element drei. Beim klassischen Prompting rätst du, was das Modell braucht, und stopfst alles in eine einzige Anweisung. CRIT dreht die Rollen um: Lass dich zuerst vom Modell interviewen. „Bevor du beginnst, stell mir bitte eine Frage nach der anderen, bis du alle nötigen Informationen gesammelt hast.“ Das Modell fragt nach Dingen, an die du selbst vielleicht nicht gedacht hättest: Wer entscheidet auf Kundenseite? Was wurde bereits versucht? Warum hat es nicht funktioniert?

Du beantwortest Fragen, statt einen Aufsatz zu schreiben.

Und damit sind wir wieder bei Fähigkeit eins. Das Interview füllt sichtbaren Kontext – nur führt diesmal das Modell den Prozess und benennt seine Wissenslücken selbst. Statt fehlende Fakten zu konfabulieren, fragt es danach. Die drei Fähigkeiten aus diesem Artikel sind keine getrennten Lektionen. Sie bilden ein System.

Wo solltest du anfangen?

Wenn mich jemand fragen würde, wie man mit KI arbeitet, und ich dürfte nur einen Satz antworten, wäre es dieser: Sei Pilot, nicht Passagier. Ein Passagier steigt ein, vertraut und konsumiert das Ergebnis. Ein Pilot weiß, woher die Maschine ihre Daten nimmt, wählt den Flugmodus und kommuniziert präzise, wohin die Reise geht. Aus Mosiers und Skitkas Forschung wissen wir auch, was gute Piloten der Automatisierung auszeichnet: Sie fühlen, dass sie selbst das Ergebnis unterschreiben – nicht die Maschine.

Für heute hast du drei Aufgaben, eine pro Fähigkeit:

Erstens: Frage ein Modell ohne Internetsuche nach deinem Unternehmen und deinen Wettbewerbern. Prüfe, was in den Gewichten steckt. Wenn du die nächste Antwort in einem Kundentext verwenden willst, frage nach: „Woher weißt du das? Zeig mir die Quellen.“
Zweitens: Sieh dir den Task-Modus an. Öffne die erwähnten Werkzeuge oder Registerkarten. Gib einem Agenten eine Aufgabe, bei der echte Dateien entstehen müssen – zum Beispiel Produktbeschreibungen aus Fotos. Mach dich mit dieser Arbeitsweise vertraut. Sie ist die Zukunft.
Drittens: Nimm den Prompt, den du am häufigsten verwendest, und prüfe Rolle, Aufgabe und Hinweis. Fehlt der Hinweis – und meistens fehlt er –, ergänze ein Beispiel für einen Text, den du gut findest.

Wenn du tiefer einsteigen willst, lies meinen Beitrag darüber, wie Sprachmodelle funktionieren, oder arbeite direkt mit den 16 Copywriting-Prompts. Möchtest du diesen Arbeitsprozess mit deinem Team üben, findest du hier meine Workshops. Live-Sessions finden auf Englisch statt; Materialien können nach Absprache lokalisiert werden.