Meine Arbeit 2024–2025
Irgendwann reichte es mir nicht mehr, immer neue KI-Werkzeuge auszuprobieren.
Ich hatte viele Prompts gesammelt, verschiedene LLM getestet und erste Assistenten aufgebaut. Gleichzeitig merkte ich, dass mir noch etwas Entscheidendes fehlte: ein stabiles Fundament.
Es ist ein wenig wie beim Bau eines Hauses. Man kann sehr lange über Farben, Möbel und technische Ausstattung sprechen. Wenn das Fundament nicht stimmt, helfen die schönsten Werkzeuge jedoch nicht weiter.
Deshalb begann ich, meine Beschäftigung mit KI als eigenes Projekt zu behandeln.
Weg vom Anwender – hin zum Architekten
In dieser Phase veränderte sich meine Rolle.
Ich wollte nicht mehr nur auf Ergebnisse reagieren, die mir ein Chatbot präsentierte. Ich wollte verstehen, wie die Systeme arbeiten, welche Daten sie benötigen und wie sich die einzelnen Arbeitsschritte sinnvoll miteinander verbinden lassen.
Dazu gehörte auch, mich intensiver mit den technischen Grundlagen zu beschäftigen. Begriffe wie Transformer, Token, Kontextfenster oder lokale Sprachmodelle waren für mich anfangs keine selbstverständlichen Bestandteile der Arbeit.
Für mich tat sich eine sehr wichtige Frage auf: "Welches KI-Wissen brauche ich als Berater und Coach wirklich?"
Eine zufriedenstellende Antwort konnte mir keiner geben. Also eignete ich mir das notwendige Wissen Schritt für Schritt selbst an.
Nicht mit dem Ziel, selbst KI-Modelle zu entwickeln. Ich wollte beurteilen können, was ein Werkzeug leisten kann, wo seine Grenzen liegen und welches Risiko mit seinem Einsatz verbunden ist.
NotebookLM verändert meine Arbeit mit Wissen
Ein wichtiges Werkzeug dieser Phase wurde Gemini Notebook (ehemals NotebookLM).
Beim freien Chatten mit einem Sprachmodell weiß ich nicht immer, auf welcher Grundlage eine Aussage entstanden ist. Bei NotebookLM steht dagegen die Arbeit mit ausgewählten eigenen Quellen im Mittelpunkt.
Ich kann beispielsweise Dokumentationen, Schulungsunterlagen, Gesprächsnotizen oder Fachtexte in einem Notebook zusammenführen. Anschließend lassen sich Fragen auf Grundlage genau dieser Unterlagen bearbeiten.
Das verändert die Qualität der Zusammenarbeit.
Statt die KI allgemein über ein Thema schreiben zu lassen, kann ich gezielt fragen:
- Welche Risiken werden in meinen Unterlagen genannt?
- Wo unterscheiden sich zwei Dokumente?
- Welche offenen Punkte ergeben sich aus einem Gespräch?
- Welche Aussagen lassen sich durch die vorhandenen Quellen belegen?
- Wie kann aus mehreren Dokumenten eine verständliche Seminarstruktur entstehen?
Für mich wurde NotebookLM damit zu einem Bindeglied zwischen KI und Wissensmanagement. Die KI erzeugt nicht einfach neuen Text, sondern hilft mir, vorhandenes Wissen zu erschließen, zu vergleichen und neu zu strukturieren.
Ein sehr einfaches Beispiel wie Gemini Notebook mit Quellen arbeite zeigt dieses Beispiel: Die Essenz des Handeln
Von der eigenen Anwendung zum Workshop
Meine Erfahrungen flossen zunehmend in meine Arbeit als Berater, Coach und Trainer ein.
Gemeinsam mit der IHK Erfurt entstand die KI-Startwerkstatt. Im Mittelpunkt stehen nicht einzelne Tools oder möglichst beeindruckende Prompts. Es geht um die Fragen, die Unternehmen vor einem sinnvollen KI-Einsatz klären sollten:
Welche Prozesse eignen sich für einen ersten Anwendungsfall? Welche Daten werden benötigt? Welche Risiken müssen berücksichtigt werden? Wer übernimmt die Verantwortung? Und woran lässt sich erkennen, ob ein Pilotprojekt tatsächlich erfolgreich ist?
Daneben entwickelte ich Online-Workshops zu Gemini Notebook und zum KI-gestützten Wissensmanagement.
Dabei zeigte sich immer wieder: In vielen Unternehmen fehlt es nicht an Wissen. Das Wissen liegt nur an zu vielen unterschiedlichen Orten – in Dokumenten, E-Mails, Protokollen, Präsentationen und in den Köpfen einzelner Mitarbeiter.
KI kann helfen, diese Inhalte zugänglich zu machen. Sie kann fehlende Strukturen jedoch nicht vollständig ausgleichen. Sind die Quellen veraltet, widersprüchlich oder unvollständig, bleibt auch das Ergebnis der KI unsicher.
Lokale Modelle und sensible Informationen
Parallel dazu beschäftigte ich mich mit lokalen Open Source LLM.
Mich interessierte, welche Aufgaben sich direkt auf dem eigenen Rechner bearbeiten lassen. Gerade bei vertraulichen Projektinformationen, Transkripten oder internen Unterlagen ist es wichtig, genau zu wissen, wo Daten verarbeitet werden.
Der Aufbau einer lokalen Umgebung war nicht immer komfortabel. Modelle mussten verglichen, technische Voraussetzungen geprüft und Arbeitsabläufe dokumentiert werden.
Der Aufwand hatte jedoch einen entscheidenden Vorteil: Ich lernte, KI-Werkzeuge nicht nur nach der Qualität ihrer Antworten zu beurteilen. Datenschutz, Datenfluss, Wiederholbarkeit und die spätere Weiterverarbeitung der Ergebnisse wurden ebenso wichtig.
Dokumentation wird zum Teil des Ergebnisses
Während dieser Arbeit entstand eine umfangreiche Dokumentation.
Ich hielt fest, welche Modelle sich für welche Aufgaben eigneten, welche Prompts zuverlässig funktionierten und an welchen Stellen eine menschliche Kontrolle notwendig blieb.
Das klingt zunächst nach zusätzlicher Arbeit. Langfristig spart genau diese Dokumentation jedoch Zeit. Ohne sie beginnt man nach einem Modellwechsel oder einigen Wochen Unterbrechung wieder von vorn.
Meine wichtigste Erkenntnis aus dieser Phase lautet:
Ein einzelner guter Prompt ist noch kein funktionierender Prozess.
Ein professioneller KI-Workflow besteht aus geeigneten Quellen, klaren Arbeitsschritten, definierten Ergebnissen, einer nachvollziehbaren Prüfung und einer sinnvollen Ablage.
Aus meinen ersten Experimenten war damit ein eigenes System geworden. Der nächste Schritt lag nahe: Wie lassen sich diese Abläufe automatisieren, ohne dabei die Kontrolle über Daten und Entscheidungen zu verlieren?
Werkzeuge dieser Phase: Gemini Notebook, lokale Open Source LLM, Claude, ChatGPT, AnythinkLM und LMStudio
Wie arbeitest Du heute mit Deinem Unternehmens- und Projektwissen? Liegt es noch verteilt in einzelnen Dateien und Chats – oder kannst Du es bereits quellenbasiert mit KI erschließen?
