⚙️ Der Impuls der Woche: Hör auf, dich deiner KI ständig neu vorzustellen

„Ich bin Papa von drei Kindern, bin in Vollzeit für ein sehr großes Unternehmen als Experte für KI-Lösungen zuständig und habe einen Side-Hustle als Speaker und Sparringspartner. Darin helfe ich Einzelpersonen und Teams dabei, KI wirklich produktiv einzusetzen."

Diesen Absatz habe ich abgetippt. Und abgetippt. Und abgetippt.

In ChatGPT. In Claude. In Gamma.ai. In Copilot und dann oft noch in jedem neuen Projekt und manchmal in einem neuen Chat. Alles nur, damit das Ding wenigstens grob weiß, für wen es da gerade einen LinkedIn-Post schreibt, die Präsentation entwirft, das Angebot erstellt, die Demo ausarbeitet oder das neue Produkt gestaltet.

Ohne Witz. Ich kann diese Sätze nachts um 3 Uhr aufsagen, wenn du mich weckst. Ich habe davon geträumt, dass mich diese Worte verfolgen. 😂

Irgendwann habe ich mich gefragt, was ich da eigentlich tue und ob man das nicht irgendwie besser aufsetzen kann.

Ich habe ja letztlich immer nur ein allgemeines Speicherproblem mit wiederholtem Prompting gelöst. Denn die Infos über mich ändern sich ja nur relativ selten.

Das Problem ist nicht dein Prompt, sondern die falsche Routine im Umgang mit KI!

Jede neue Session startet bei null. Das ist keine Schwäche der Modelle, das ist ihre Bauweise. Die Memory-Funktionen der großen Anbieter helfen ein bisschen, aber sie entscheiden selbst, was sie sich merken. Du kannst das zwar steuern, indem Du darum bittest bestimmte Inhalte abzuspeichern, aber ich finde das umständlich. Und sie merken sich gern auch mal selber das Falsche.

Also lieferst du den Kontext jedes Mal selbst über diesen konkreten Prompt. Und dabei passieren drei Dinge, die du wahrscheinlich kennst:

• Du verlierst Zeit. Nicht viel pro Session. Aber jeden Tag, mehrmals.

• Du beschreibst dich jedes Mal ein bisschen anders. Mal erwähnst du die Zielgruppe, mal nicht. Mal den Ton, mal nicht. Die Ergebnisse schwanken entsprechend.

• An schlechten Tagen lässt du den Kontext ganz weg. Dann bekommst du den generischen HR-Brei, über den sich alle beschweren.

• Daran zu denken, belegt Speicherplatz in deinem Schädel, den Du auch für andere Dinge nutzen kannst.

Das dritte ist das teuerste. Denn genau dann entsteht der Eindruck, „die KI kann das halt nicht” oder “Ich kann KI nicht gut genug.”

Kann sie aber. Sie weiß nur nicht, mit wem sie redet.

Eine Datei statt hundert Prompts

Meine Lösung ist unspektakulär: eine Textdatei namens AboutMe.md.

Markdown, weil jedes Modell es lesen kann und du es in jedem Editor öffnen kannst. Kein Tool, kein Abo, kein Vendor Lock-in.

Da steht drin, was die KI über mich wissen muss, um brauchbar für mich zu arbeiten. Nicht mein Lebenslauf. Sondern sechs Dinge:

1. Rolle. Was ich wirklich den ganzen Tag tue. Nicht die Stellenbeschreibung.

2. Ziele. Was ich in den nächsten zwölf Monaten erreichen will und was mir das System abnehmen soll.

3. Arbeitsweise. Wie ich entscheide, was mich nervt, wann ich Vorschläge will und wann nicht.

4. Schreibstil. Du oder Sie, Länge, Ton, und welche Floskeln ich nie lesen will.

5. Umfeld. Die drei bis fünf Menschen, mit denen ich am meisten zu tun habe. Vorname, Rolle, ein Satz.

6. Grenzen. Was nie in diesem System landen darf und was die KI nie tun darf.

Diese Datei liest meine KI am Anfang jeder Session. Je nach Tool hänge ich sie an, lege sie in die Projekt-Instruktionen oder in den Ordner, den mein Agent sowieso liest. In meinem Personal Operating System hat sie einen festen Platz und wird im Claude.md, der zentralen Instruktionsdatei, explizit erwähnt.

Seitdem tippe ich den Absatz von oben nicht mehr. Also gar nicht mehr. Und die Ergebnisse sind nicht nur schneller da, sie sind konstanter und personalisierter. Weil die Informationen über meinen persönlichen Kontext jedes Mal gleich sind, nicht die Version, die mir gerade einfällt (falls ich dran denke).

Warum das mehr ist als ein Zeitspar-Trick

Ich baue seit Monaten keine einzelnen Bots mehr. Kein „LinkedIn-GPT” hier und „Angebots-GPT” da. Ich gebe alle Aufgaben an denselben Agenten. Der weiß, wer ich bin, weil er die Datei kennt. Der Rest sind Aufgaben, keine Vorstellungsrunden.

Das ist der eigentliche Punkt: Stabiler Kontext schlägt clevere Prompts. Ein mittelmäßiger Prompt mit gutem Kontext liefert mir bessere Ergebnisse als ein perfekter Prompt ohne.

Und ja, das gilt auch, wenn du keine Agenten nutzt und einfach nur ChatGPT im Browser offen hast. Datei anhängen, fertig.

Was nicht in Dein AboutMe reingehört

Ein Punkt zählt in HR mehr als anderswo, finde ich

In die AboutMe.md gehören keine Nachnamen, keine Kontaktdaten, keine Gehalts-, Gesundheits- oder Rechtsangaben. Weder deine noch die deiner Kolleginnen. Also, wenn Du das im privaten Kontext nutzt, dann kannst Du natürlich frei entscheiden, wieviel Du mit Ki teilen willst. Aber im beruflichen Kontext musst du sehr genau darauf achten, welche Informationen bei Dir im Unternehmen “teilbar” sind. Informiere Dich bitte, bevor Du das AboutMe.md schreibst.

Nicht, weil die KI damit nichts anfangen könnte. Sondern weil die Datei früher oder später in einem Tool landet, dessen Datenschutz-Einstellungen du nicht bis ins Detail kennst oder nicht voll beeinflussen kannst. Was nicht drinsteht, kann nicht auf Servern in anderen Ländern abfließen.

Meine Datei enthält außerdem eine Zeile, die ich jedem empfehle: Du löschst nichts. Auch nicht, wenn ich es sage; du fragst nach. Klingt paranoid. Ist aber die billigste Versicherung, die ich kenne.

🎓 Wenn du beim Lesen gemerkt hast, dass Dir noch das Grundverständnis für generative KI fehlt, dann hab’ ich da was für Dich.

💡 Genau dafür gibt es meinen Kurs „GenAI-Führerschein für HR”. Über 500 HR-Profis haben ihn schon gemacht. Du lernst, wie Sprachmodelle arbeiten, wo sie scheitern und wie du sie so einsetzt, dass am Ende verwertbare Ergebnisse rauskommen. Mit ChatGPT als Beispiel, übertragbar auf Copilot, Claude und Gemini.

Jetzt Lernen!

Live: Wie das ganze System aussieht

Die AboutMe.md ist eine Datei von mehreren. Zusammen bilden sie das, was ich mein Personal Operating System nenne: Ordnerstruktur, Index, Wissenskern, Skill-Dateien.

Am Montag, 14. September, um 12 Uhr zeige ich das komplette Setup live auf LinkedIn. Titel: „Prompte nicht. Bau’ Dir ein System.”

Kein reiner Folienvortrag. Ich öffne meinen Ordner und erkläre, was da liegt und warum.

Zur Live-Session anmelden

Montagsmaschine+

Mini-Micro-Win für diese Woche: Deine AboutMe.md in 15 Minuten

Die meisten scheitern an der leeren Seite. Was soll da rein, wie lang, in welcher Form?

Deshalb schreibe ich die Datei nicht selbst. Ich lasse mich interviewen.

Der folgende Prompt führt ein Gespräch mit dir. Sechs Fragen, eine nach der anderen. Am Ende bekommst du die fertige Datei im richtigen Format, inklusive Frontmatter, damit sie später in ein größeres System passt.

👉 Abonniere die Bezahlversion Montagsmaschine+, um diese zusätzlichen Details zu lesen, zu diskutieren und Tipps & Tricks auszutauschen.

⬇️ Die Paid-Inhalte sind nur einen Klick entfernt ⬇️

Read more

⚙️ Der Impuls der Woche: Prompten skaliert nicht.

Die meisten KI-Ratgeber laufen aus dasselbe Versprechen hinaus. Der beste Prompt für Aufgabe X. Der neuste prompt für Aufgabe Y. Und nun der noch bessere Prompt für Aufgabe Z. Ja, ich habe auch so angefangen. Dann habe ich mir meine besten Prompts in Listen abgelegt. Manche der Prompts auch mit anderen geteilt. Viele der Prompts auf Social Media kostenlos veröffentlicht. Das war und ist weiterhin sehr beliebt bei meiner Community. Es ist ja auch einfach. Und es ist ein sinnvoller Start, wenn Du aktuell noch das Gefühl hast nicht wirklich mit KI als Partner zu rocken.

Das Ergebnis war bei mir allerdings nur eine riesige Liste von Prompts und Tricks, die ich mir nicht merken konnte und die auch meine Arbeitsweise nicht skaliert haben. Damit habe ich keine zeit gespart. Und zeit ist bei mir wirklich ein harter Engpass.

Auch rein technisch betrachtet, ist dieser Ansatz wirklich nicht nachhaltig. Dann das Kontextfenster der meisten KI-Modelle ist begrenzt. Das heißt, dass dein KI-Modell nur eine begrenzte Tokenanzahl pro Session verarbeiten kann. Wenn Du dich also über Prompts in einzelnen Chats organisiert hast, dann vergisst die KI irgendwann den Arbeitsauftrag und halluziniert zunehmend.

Auch als ich das dann über CustomGPTs und deren halbwegs stabilen Instruktionen gelöst habe, lief mein Ansatz irgendwann auf eine Heerschar von Mini-GPTs hinaus, die ich irgendwie zähmen musste.

Ich habe dann irgendwann eingesehen, dass mein eigentliches Problem der ineffizienten KI-Nutzung woanders lag.

Das eigentliche Problem war nie der Prompt. Es war der fehlende Kontext.

Also habe ich aufgehört, bessere prompts zu sammeln und mir stattdessen ein System gebaut. Mein Personal Operating System.

Wenn das bis hierher bereits zu viele unbekannte Begriffe wie Tokens, CustomGPTs, Prompts und Kontextfenster waren, dann hab’ ich den perfekten Start für Dich. Meinen GenAI-Führerschein. Ein Onlinekurs, der Dich perfekt ins Thema generative KI einsteigen lässt. Kürzlich schrieb mir ein Teilnehmer: “Hallo Daniel! Dein "ChatGPT-Führerschein für HR" hat erfolgreich meine AI Anxiety reduziert. Danke dafür!”

Und genauso ist das Ding gedacht. Fakten, Hilfsmittel, bewährte Strategien für Deine KI-Kompetenz.

Mach den GenAI-Führerschein!

Was Du also tatsächlich brauchst, wenn Du die Basics generativer KI beherrscht, ist ein System, dass Deine Arbeitsweise kennt und Dich perfekt unterstützt. Dann kannst Du im Zeitverlauf und entlang Deiner persönlichen moralischen Grenzen auch automatisieren.

Ich zeig’ Dir einfach, was ich gebaut hab’. Du kannst es dann anpassen und nachbauen, so wie es für Dich passt.

Mein Personal Operating System als Template

Der Gesamtprozess ist sehr simpel. Das Personal Operating System (POS) hat zwei Ebenen. Auf der oberen Ebene laufen vier Bausteine, die aus den verschiedenen Inputs letztlich personalisierte Outputs machen. Auf der unteren Ebene liegt mein gesamter Kontext ab. Auf die Inhalte der beiden Ebenen hat mein KI-Modell Zugriff. Ich schreibe verschiedene Aufträge an mein KI-Modell und dann werden diese Aufgaben so erledigt, dass ich kaum noch nacharbeiten muss. Das klappt nur, weil der Kontext, in dem die KI arbeitet, optimal aufbereitet ist.

Wie Du sicher gemerkt hast, brauche ich auch keine verschiedenen KI-Tools, sondern ich brauche nur einen KI-Agenten. Bei mir ist das Claude-Code. Mein Setup ist aber mit allen KI-Modellen umsetzbar. Wobei es schon mit den Magentischen Coding-Modellen (e.g., Codex, Claude Code) oder den Cowork-Tools (e.g., Claude Cowork, ChatGPT Work, Copilot Cowork) am besten läuft.

1. Input: Das erste Element ist der Input für mein POS. Kundengespräche, Expertenaustausch, Anfragen per Email oder Text, Gedächtnisprotokolle, eigene Recherchen, you name it. Alles, was relevanter Input für mich ist, wird hier abgelegt. Ich nutze das dann als Trigger für mein POS.

2. Neue Ideen: Viele der Inhalte aus dem Bereich Input, entfachen neue Ideen bei mir. Das können Ideen für Content, Vorträge, Produkte oder Formate sein. Ich nutze das Voice- oder Gesprächsfeature und bespreche diese Ideen mit samt dem relevanten Inputmaterial direkt mit meiner KI.

3. Feedback: Manche Inhalte aus dem Bereich Input sind eher Feedback für mich. Ich erhalte Nachrichten oder Kommentare zu meinem Content, meinem Kurs, meinen Live-Sessions, meinen Vorträgen oder ganz insgesamt zu meiner Person. Manchmal diskutiere ich auch neue Ideen mit Menschen und die geben mir dann Feedback. Meistens möchte ich dieses Feedback strukturiert ablegen. Manchmal entstehen daraus auch direkte ToDos. In beiden Fällen erhält meine KI eine entsprechende Anweisung.

4. Wissenskern: Das Herzstück und der eigentliche Grund warum das gesamte System hart gut funktioniert ist der Wissenskern. Guter Kontext schlägt jeden Prompt. Der dort abgespeicherte Kontext ist auch die Basis für meinen Output und die eigentliche Produktivität. Denn die Qualität des Wissens sorgt dafür, dass ich der KI sehr kurze und prägnante Aufträge geben kann und das Ergebnis eben nicht wirklich nacharbeiten muss.

5. Umsetzung: Aus dem gespeicherten Wissen und dem Input wird ohne große Prompts jeden Tag eine sehr gute ToDo-Liste abgearbeitet. Zum einen kann ich die ToDos direkt mit KI ausarbeiten, zwischenspeichern oder sogar direkt über “Scheduled Tasks” erledigen. Hier setzt der Produktivitätshebel an. Ich habe das gemessen. Dinge, für die ich in Summe vorher ca. 1 Woche brauchte, erledige ich jetzt in 8 bis 12 Stunden. 🤯

Und jetzt nenne ich Dir ein paar dieser Aufgaben.

Welche Aufgaben erledigt mein Personal Operating System?

Keiner der folgenden Use Case ist für sich genommen super spektakulär. Der Effekt entsteht dadurch, dass alle auf denselben Wissenskern zugreifen, und damit kaum Nacharbeit durch mich brauchen. Und es entsteht eine Art “Compounding Effect”, weil ich mich um die folgenden Themen kaum noch kümmern muss, habe ich Zeit gewonnen. Diese Zeit investiere ich dann in kreatives Arbeiten und Community-Work mit anderen Menschen.

Diese Aufgaben erledigt mein POS bereits sehr zuverlässig:

• Formatierte Angebote aus Gesprächsprotokollen mit Interessenten erstellen, die meinem Template und Preislisten folgen.

• Rechnungen auf Basis erbrachter Leistungen nach Standards der Rechnungsstellung schreiben, teils als Scheduled Task, ganz ohne mein Zutun.

• Präsentations-Storylines aus Erstgesprächen mit Eventverantwortlichen erarbeiten, die meinem typischem Flow folgen und meine wichtigen Kern-Messages beinhalten.

• Curricula für neue Kurse oder Webseminare aus groben Ideenskizzen anfertigen und dabei meine Zielgruppen und Transformationsziele für die Teilnehmenden berücksichtigen.

• Texte, die ich geschrieben habe, überarbeiten und auf meine übliche Tonalität hin prüfen.

• Mein Produktportfolio kritisch prüfen und die Passung neuer Ideen einschätzen.

• Mich auf Kurs halten, in dem die KI, basierend auf dem strukturierten Wissen, unnötige Side-Quests kritisch anspricht und mir davon abrät.

• Nachfass-E-Mails für offene Angebotsprozesse verfassen, die ich dann mit wenigen Klicks abschicken kann. Dabei weiß die KI dann auch, dass ich direkten Sales gar nicht wirklich mag und eher über Inhalte punkten will.

• Antworten auf eingehende Anfragen entwerfen und die Empfehlung inkludieren sich in einem passenden Calendly-Link von mir einzubuchen oder einen Blick in mein Leistungsportfolio zu werfen.

• Recherche und Themenvorschläge für LinkedIn, TikTok und diesen Newsletter als Scheduled Tasks jeden Sonntagmorgen abfahren, damit ich wieder Inhalte für meinen Content vorbereitet habe.

Alles ist dank meines Systems dann auf meine Zielgruppen abgestimmt und direkt in meiner Tonalität verfasst. Die KI berücksichtigt meine Vorlagen, mein Branding, meine No-Gos, und die korrekten Fakten über mich und mein Business. Meistens reicht eine kurze Beauftragung durch mich. Beispiel: “Schreibe ein Angebot an X, auf Basis des Meetingprotokolls vom (Datum einfügen) und den darin besprochenen Produktbausteinen.”

Das ist der eigentliche Use Case: nicht ein Prompt, der einmal gut funktioniert. Ein System, das nie wieder bei null anfängt.

Und jetzt kommt der Klopper.

🎥 Ich zeig dir das komplette System live

Am 14. September, 12 bis 13 Uhr, live auf LinkedIn nehme ich dich Baustein für Baustein durch mein Personal Operating System. Das wird kein Tool-Tutorial. Ich zeige Dir das Setup allgemein, so dass Du das Prinzip dahinter genau verstehst. Das funktioniert dann in fast jedem Setup funktioniert, egal welches Werkzeug du nutzt.

Die Session wird nicht aufgezeichnet. Über 100 Leute haben sich schon angemeldet.

Jetzt zur Live-Session anmelden

Ich verspreche Dir, dass Du das System komplett auf Dich angepasst nachbauen kannst, ohne programmieren zu müssen. Und ja, volle Transparenz, wenn Du mich anschließend buchen willst, um Dir dabei zu helfen, dann werde ich mich nicht wehren. Aber es ist definitiv keine Pflicht und es wird keine Sales-Show.

Ich freu’ mich auf Dich.

❤️ Teile die Montagsmaschine und gib anderen den KI-Boost!

Auf eine produktive Woche! 🚀

Data Dan

Additional information: This article reflects my personal views only and is not necessarily the view of the companies I am associated with.

⚙️ Der Impuls der Woche: Agenten aufsetzen, aber bitte richtig

„2026 wird das Jahr der KI-Agenten.” Diesen Satz hörst Du seit Monaten immer wieder und überall. Die Vision dahinter: Ein Schwarm autonomer KI-Agenten übernimmt Deine HR-Prozesse von Recruiting über Onboarding und Operations bis Reporting läuft alles quasi von selbst.

Klingt sehr verlockend und ist aus meiner Sicht zugleich der sicherste Weg zu hohen API-Rechnungen, unvorhersehbaren Ergebnissen und frustrierten Teams.

Und das ist jetzt kein Bauchgefühl, sondern das ist mein Eindruck der Meinungen von Expert*innen, die diese Technologie aktuell bauen.

Was die Fachleute wirklich sagen

Andrej Karpathy, zum Beispiel, ist Mitgründer von OpenAI und einer der meistzitierten KI-Köpfe überhaupt. Er warnt seit seinem Vortrag bei der Y Combinator AI Startup School (2025) vor genau diesem Szenario:

„Keep AI on the leash.”, also haltet die KI an der Leine.

Wir seien „way too excited” bei vollautonomen Agenten. Im Interview mit Dwarkesh Patel (2025) legt er nach: Zwischen Agenten-Hype und Agenten-Realität liegt noch etwa ein Jahrzehnt Arbeit.

Yann LeCun, bis Ende 2025 KI-Chefwissenschaftler bei Meta, liefert die technische Begründung. Sprachmodelle erzeugen Texte Wort für Wort und jedes Wort kann einen kleinen Fehler enthalten. Seine These (2023): Diese Fehler schaukeln sich über lange Generierungsketten auf, Halluzinationen sind eingebaut, und nicht wegtrainierbar.

Und die Empirie? Ein Team der UC Berkeley um Cemri et al. (2025) hat über 1.600 Arbeitsprotokolle von Multi-Agenten-Systemen analysiert. Ergebnis: 14 wiederkehrende Fehlermuster, von schlechtem Systemdesign bis zu Agenten, die sich gegenseitig missverstehen. Der Leistungsgewinn gegenüber einfachen Systemen sei daher oft minimal.

Selbst Anthropic (2024), das Unternehmen hinter Claude, das mit Agenten ja auch Geld verdient, schreibt in seinem Architektur-Leitfaden:

„Wir empfehlen Entwicklern, mit der einfachstmöglichen Lösung zu starten und Komplexität nur dann hinzuzufügen, wenn es wirklich nötig ist.”

Merkst Du was? Die Hersteller predigen Zurückhaltung und der Markt der Vendoren schlägt KI-Schwärme vor.

Der Bauplan: 5 Prinzipien für Agenten, die wirklich arbeiten

Was funktioniert stattdessen? Aus meiner Sicht kein Schwarm, sondern ein Hybrid-System. Hier sind die fünf Prinzipien, an denen ich mich orientiere. Ich habe sie mir (und Dir) in die HR-Realität übersetzt.

1. Erst der Prozess, dann der Agent.

Bill Gates hat es schon vor Jahrzehnten sinngemäß gesagt: Die Automatisierung eines effizienten Prozesses vergrößert die Effizienz. Automatisierung eines ineffizienten Prozesses vergrößert die Ineffizienz.

Ein Agent, der Deinen kaputten Genehmigungsprozess beschleunigt, produziert Chaos in Rekordzeit. Mein Tipp: Nutze KI zuerst nur lesend, als ein Art Prozess-Detektiv, der Schwachstellen in deinen heutigen Prozessen aufdeckt. Schreibrechte gibt es erst, wenn der Prozess sauber ist.

2. Chatbot als Empfang, Agenten als Sachbearbeiter.

Der Chatbot ist die beste Benutzeroberfläche, die HR je hatte: Er versteht unstrukturierte Anfragen und sortiert sie. Anthropic nennt das Muster Routing. Der LLM-basierte Chat klassifiziert die Anfragen der Nutzenden und spezialisierte Tools und Systeme erledigen die abgeleiteten Aufgaben.

Der Chatbot ist sozusagen der smarte Empfangstresen, aber eben nicht direkt der Sachbearbeiter, der alles selbst macht.

🎓 Kurz in eigener Sache

💡 Wenn du die Grundlagen legen willst, bevor du über Blueprints redest: In meinem Kurs „GenAI-Führerschein für HR” baust du dir deinen eigenen Einstieg, inklusive erster eigener Mini-GPTs 😉. Über 500 HR-Profis haben ihn inzwischen gebucht.

Jetzt KI-Lernreise beginnen

3. Schleifen statt Ketten.

Lange Agenten-Ketten sind quasi Stille Post. Jede Übergabe fügt ggfs. Fehler hinzu, am Ende stimmt nichts mehr. Auch Walden Yan von Cognition (2025), die Firma hinter dem Coding-Agenten Devin, rät explizit: Don’t build multi-agents.

Die Alternative sind kurze Aktionsschleifen mit eingebautem Prüfprozess. Ein Agent erzeugt ein Ergebnis, ein Prüfschritt vergleicht es mit einer Vorlage, der Agent korrigiert sich im Zeitverlauf. Madaan et al. (2023) zeigen mit Self-Refine, dass dieses Muster die Ergebnisse im Schnitt um rund 20 Prozentpunkte verbessert.

4. Gedächtnis mit Türsteher.

Damit Agenten mit Euren echten Daten arbeiten, braucht es zwei Daten-Speicher. Ich schlage eine Vektor-Datenbank für die Suche nach konkreten Inhalten (aka HR-Policies) und deren semantische Bedeutung und einen Knowledge Graph für Zusammenhänge („Wer berichtet an wen?”) zwischen verschiedenen Inhalten. Microsoft Research (2024) nennt die Kombination GraphRAG.

Aber, und das ist der HR-kritische Teil, Zugriffsrechte gehören auf Datenbank-Ebene, nicht in den Prompt. Ein Agent, der Gehaltsdaten technisch abfragen kann, wird sie irgendwann auch ausplaudern. Die OWASP-Sicherheitsliste für KI-Anwendungen (2025) führt „Excessive Agency”, also zu viele Rechte für Agenten, als eines der Top-Risiken an.

5. Human-in-the-Lead statt Human-in-the-Loop.

Der klassische Human-in-the-Loop ist oft nur ein müder Klick auf „Genehmigen”. Besser wäre es, wenn der Mensch tatsächlich die Technologie führt. Er setzt Ziele, Leitplanken und Prüfpunkte und die Agenten arbeiten in klar begrenzten Aufträgen darunter.

Das ist exakt Karpathys Bild vom Autonomy Slider: Du bestimmst, wie lang die Leine ist. Nicht die KI.

Der Weg für dein Team ist klar. Mehr AI Fluency als heute.

Wenn du AI Fluency nicht nur bei dir, sondern im ganzen Team verankern willst, dann lohnt sich ein kurzes Gespräch, denke ich.

45 Minuten. Wir schauen ehrlich drauf, wo dein Team beim Thema KI wirklich steht und was der nächste sinnvolle Schritt wäre. Wenn es passt, reden wir weiter. Wenn nicht, sage ich dir das auch.

👉 45-Minuten-Slot sichern

Was heißt das für Dich und Deine KI?

Effektive KI am Arbeitsplatz ist kein Schwarm, sondern ein Ökosystem. Klassische Automatisierung schlage ich für alles Vorhersehbare vor. Ich empfehle Agenten nur dort, wo Urteilsvermögen bei unstrukturiertem Input gefragt ist. Und ein Mensch, der die Richtung vorgibt.

Das ist zwar weniger glamourös als die Schwarm-Vision. Aber es funktioniert und Du kannst es Deinem C-Level vorschlagen, ohne später rot zu werden.

👉 Abonniere die Bezahlversion Montagsmaschine+, um diese zusätzlichen Details zu lesen, zu diskutieren und Tipps & Tricks auszutauschen.

⬇️ Die Paid-Inhalte sind nur einen Klick entfernt ⬇️

💡 Montagsmaschine+: Der praktische Teil

Dein Micro-Win für diese Woche:

Nimm Dir einen einzigen Prozess vor, der Dich nervt und stelle Dir vier Fragen:

1. Ist der Prozess selbst sauber aufgesetzt oder automatisiere ich gerade Dysfunktion?

Read more

✅ Warum „die Leute nutzen KI noch nicht genug” 2026 die falsche Diagnose ist und was aktuelle Daten stattdessen zeigen
✅ Der 90-Tage-Blueprint: Governance-Architektur, Sprint-System und die Zeitdividende-Vereinbarung, die HR verhandeln muss

⚙️ Der Impuls der Woche: Adoption ist nicht mehr euer Engpass

Viele meiner aktuellen Gespräche beginnen ungefähr so:

Ich frage meistens: “Was ist im Moment eure größte Challenge mit KI?”

Die Antworten lassen sich so zusammenfassen: “Wir haben KI-Trainings, eine Community aufgesetzt, KI-Champions identifiziert und mit konkretem Auftrag ausgestattet. Wir haben Lizenzen für einen Großteil der Mitarbeitenden. Und dennoch stagniert die KI-Adoption aktuell.”

Ich frage dann meistens weiter: “Wie plant ihr diese Herausforderung zu meistern?”

Die beliebtesten Ansätze liegen dann irgendwo im Spektrum von: „Wir müssen die Belegschaft noch stärker an KI heranführen.” über „Die Akzeptanz ist noch nicht da und wir müssen die benefits deutlicher machen.” bis „Wir brauchen wahrscheinlich noch mehr Schulungen mit konkreten Use Cases.”

Klingt vernünftig. Ist aus meiner Sicht aber seit ungefähr einem Jahr überholt.

Die Zahlen zu KI-Adoption sagen aktuell was anderes

BCG (2026) hat für die vierte Auflage seines „AI at Work”-Reports knapp 12.000 Beschäftigte, Führungskräfte und Manager in über einem Dutzend Märkten befragt.

Eines der vielen Ergebnisse:

74 % der Beschäftigten in der operativen Ebene bezeichnen sich als KI-Nutzende (gemessen als “täglich” oder “mehrmals pro Woche”. 2025 waren es 51 %.

23 Prozentpunkte in einem Jahr zeigen klar, dass die Adoption doch voran geht.

Und dann kommen die Zahlen, über die kaum jemand spricht:

42 % der regelmäßigen Nutzenden sparen nach eigener Angabe acht Stunden pro Woche. 66 % bekommen wenig oder gar keine Orientierung, was sie mit dieser Zeit tun sollen. Mehr als die Hälfte reinvestiert die gewonnene Zeit nicht in strategischere Arbeit.

Das ist die wahre Lücke, um die ihr euch kümmern müsst. Die Lücke liegt zwischen gesparter Zeit der individuellen Mitarbeitenden und einer Organisation, die keine Antwort darauf hat.

Der Weg für dein Team ist klar. Mehr AI Fluency als heute.

Wenn du AI Fluency nicht nur bei dir, sondern im ganzen Team verankern willst, dann lohnt sich ein kurzes Gespräch, denke ich.

45 Minuten. Wir schauen ehrlich drauf, wo dein Team beim Thema KI wirklich steht und was der nächste sinnvolle Schritt wäre. Wenn es passt, reden wir weiter. Wenn nicht, sage ich dir das auch.

👉 45-Minuten-Slot sichern

Das C-Level nimmt beim Thema KI zu

Randy Bean (2026) hat für den AI & Data Leadership Executive Benchmark Survey knapp 110 führende Unternehmen befragt, 96 % der Antwortenden gehören dem C-Level an.

93 % nennen kulturelle Herausforderungen und Change Management als größtes Hindernis für KI-Adoption. Nur 7 % nennen Technologie als Hürde.

Das ist kein wirklich neuer Befund. Aber die Kombination mit den BCG-Daten macht nochmal deutlich wie sich HR-Teams in dieser Transformation aktiv einbringen können. Die Technologie ist da. Die Nutzung ist meistens auch da. Was fehlt, ist die organisatorische Antwort auf das, was die Nutzung auslöst. Gesparte Zeit.

Warum ist KI-Transformation ein HR-Thema?

Schau dir in deinem Unternehmen genau an, wo meistens um die freigesetzte Zeit verhandelt wird:

• in der Kapazitätsplanung (Wie viele Menschen brauchen wir?)

• in den Zielvereinbarungen (Wie viel Output kann man pro Person erreichen?)

• in den Rollenprofilen (Wie können Rollen neu zugeschnitten werden?)

• in der L&D-Roadmap (Wie viel Zeit können wir auf Up- & Re-Skilling verwenden?)

Das sind aus meiner Sicht alles HR-Themen. Nichts davon ist ein klassisches IT-Thema.

Wenn niemand explizit festlegt, wohin die gewonnenen acht Stunden fließen, passiert im Zweifel das hier: Sie fließen einfach in mehr vom Gleichen. Und das ist der Punkt, an dem KI-Transformationen kippen oder sich zumindest fehlentwickeln. Denn Mitarbeitende rechnen heimlich mit. Wer merkt, dass Effizienzgewinn nur zu höherem Volumen führt, hört auf, Effizienzgewinne zu melden oder gar sie zu erzeugen.

Das ist dann kein weiches Kulturproblem mehr, dass die Geschäftsleitung lächelnd wegschiebt. Da lassen Firmen in einer stagnierenden Wirtschaft aktuell viel Innovationskraft liegen.

Der zweite blinde KI-Fleck: Führung

In derselben BCG-Erhebung lassen sich noch weitere spannende Datenpunkte finden:

• Nur etwa ein Drittel berichtet von klarer Kommunikation der Führung zum Thema KI

• Nur 28 % sehen eine Übereinstimmung zwischen dem, was kommuniziert wird, und dem, was in der Organisation tatsächlich passiert

Diese letzte Zahl ist aus meiner Sicht die interessanteste. 28 % Kongruenz zwischen Ansage und Handeln. Das ist ungefähr das Verhältnis von Stellenbeschreibung und Realität am ersten Arbeitstag 😉. Diese mangelnde Übereinstimmung erzeugt ein riesiges Vertrauensproblem. Und ich werde nicht müde zu sagen, dass die zentrale Währung der KI-Transformation das Vertrauen ist. Denn die Technologie schickt sich an, Menschen ggfs. am Arbeitsplatz zu ersetzen. Und Firmen, die stark auf KI setzen, stehen nicht völlig zu unrecht unter dem Verdacht damit auch Arbeitsplätze einsparen zu wollen. Wenn dann eine solche mangelnde Kongruenz in der KI-Kommunikation auftaucht, verspielen Führungskräfte wertvolle Wandelwährung. Dauerhaft!

Das Tückische ist die so genannte kognitive Last der KI-Nutzung. Führungskräfte berichten in der BCG-Studie zu 48% von zugenommener mentaler Belastung durch KI-Nutzung. Ich nehme an, dass das aus der höheren Entscheidungstaktung folgt (aka “Human-in-the-Loop”).

Meine datenbasierte These zur KI-Adoption

Die Phase „KI einführen” ist vorbei. Die Phase „Arbeit neu schneiden und die gewonnene Zeit verteilen” hat begonnen. Leider haben die meisten HR-Bereiche haben dafür weder Prozess noch Mandat.

Ich könnte natürlich falsch liegen. Vielleicht ist die BCG-Selbstauskunft zu optimistisch, und die reale Nutzungstiefe liegt niedriger. Das halte ich durchaus für plausibel. Aber selbst dann ändert sich die Handlungsempfehlung nicht. Denn eine Organisation, die vorbereitet ist auf die Frage „was mache ich mit der gesparten Zeit?”, verliert nichts. Eine, die es nicht ist, verliert Vertrauen.

🎓 Kurz in eigener Sache

💡 Wenn du bei dir im Haus die Grundlagen legen willst, bevor du über Blueprints redest: In meinem Kurs „GenAI-Führerschein für HR” baust du dir deinen eigenen Einstieg, inklusive erster eigener Mini-GPTs 😉. Über 500 HR-Profis haben ihn inzwischen gebucht.

Jetzt KI-Lernreise beginnen

Montagsmaschine+

💡 Mini-Micro-Win für diese Woche

Zeitbedarf: 20 Minuten. Diese Woche.

Nimm dir dein eigenes Team. Nicht das Unternehmen. Dein Team. Stell’ im nächstem Team-Meeting genau zwei Fragen:

👉 Abonniere die Bezahlversion Montagsmaschine+, um diese zusätzlichen Details zu lesen, zu diskutieren und Tipps & Tricks auszutauschen.

Im Paid-Teil dieser Ausgabe:

• Der Mini-Micro-Win für diese Woche (20 Minuten, sofort umsetzbar)

• Der 90-Tage-Blueprint mit Phasen, Rollen, Kadenz und Artefakten

• Die Zeitdividende-Vereinbarung: konkreter Verteilungsschlüssel für freigesetzte Kapazität

• Kommunikations-Frames: Wie du über gesparte Zeit sprichst, ohne dass es nach Stellenabbau klingt

• Die fünf Kennzahlen, die tatsächlich etwas aussagen – und die drei, die du dir sparen kannst

⬇️ Die Paid-Inhalte sind nur einen Klick entfernt ⬇️

Read more

⚙️ Der Impuls der Woche: Das AI Fluency Manifest.

In den letzten Wochen habe ich hier immer wieder einzelne Punkte aufgegriffen. Heute kommt das ganze Bild.

Ich habe zehn Sätze aufgeschrieben, an denen sich für mich entscheidet, ob KI in einer Organisation wirklich ankommt oder nur Budget verbrennt. Zusammen bilden sie mein AI Fluency Manifest.

Ich habe es nicht als Motivationsrede geschrieben. Es ist auch kein Aufruf zu irgendeiner politischen oder kollektiven Handlung wegen eines anstehenden Doom-Szenarios. Es ist eher eine in zehn Eckpunkte gegossene Grundhaltung, aus der heraus ich seit Jahren im Daten- und KI-Umfeld arbeite. Manches wird dir bekannt vorkommen, manches wird dir vielleicht sogar widersprechen. Beides ist erwünscht.

Hier sind die zehn Punkte, die als wichtige Ankerpunkte für deine KI-Initiative dienen werden.

1. KI ist ein Mittel. Keine Strategie. Wer „KI-Strategie” sagt, hat das Problem falsch gerahmt. Die Strategie heißt Handlungsfähigkeit mit Blick auf ein überzeugendes Zukunftsszenario. Frag nicht „Was machen wir mit KI?”, sondern „Welches Problem lösen wir in Zukunft, und hilft KI dabei?”

2. Lizenz ist nicht Kompetenz. Adoption messen alle. Nutzungsqualität misst kaum jemand. Ein Zugang zu einem Tool ist an einem Tag gekauft oder Teil der bereits bestehenden Vertrags. Können entsteht über Wochen und Monate mit fortlaufendem Üben, Testen, Fehlermachen und Lernen.

3. Tool-Rollout ist kein Organisationswandel. Ein Rollout ändert die genutzten Werkzeuge, aber nicht automatisch auch die Arbeitsweisen der Mitarbeitenden. Das Ergebnis: Aktivität ohne Wirkung, Lizenzkosten ohne ROI, Engagement ohne Richtung. Neue Arbeitsweisen brauchen neue Routinen und eben nicht nur neue Buttons in neuer Software.

4. Mitbestimmung ist kein Blocker, sondern ein Qualitätsmerkmal. Wer Mitbestimmung von Anfang an mitdenkt, baut Vertrauen statt Widerstand auf. Governance ist ein wichtiger teil professioneller Exzellenz. Hol die Mitbestimmung in Woche eins an den Tisch, nicht erst, wenn das Tool schon steht.

5. Externe Experten sind ein Symptom, kein Fix. „Wir suchen jemanden wie Dich” höre ich oft. Die Antwort lautet: Baut euch intern KI-Expert*innen. Gute Beratung macht sich im Zeitverlauf überflüssig. Sie baut Fähigkeit auf, statt Abhängigkeit zu verlängern.

6. Fluency schlägt FOMO. Fear of missing out sorgt dafür, dass ihr unzählige Piloten baut, die dann nicht weitergeführt werden. Echte Kompetenz produziert genau die Use Cases, die den Pilotenstatus überleben. Die Angst, etwas zu verpassen, ist ein schlechter Projektplan und erhöht den Druck unnötig.

7. Evidenz schlägt Hype. Jede Zahl ist belegbar. Jeder rasante Claim sauber geerdet. Wer HR-Realität ignoriert und virale Newsmeldungen über die angeblichen KI-Wunderdinge nicht kritisch prüft, verdient kein Vertrauen. Das gilt auch für dieses Manifest. Wenn ein Punkt bei euch nicht trägt, kippt ihn.

8. Human in the Lead. Wer über die möglichen Auswirkungen von KI auf die heutigen Jobs schweigt, verspielt das Vertrauen, dass man dann im Wandel braucht. KI-Einführung braucht offene Kommunikation und ein Wachstumsangebot für die Betroffenen. Nicht als reine Geste, sondern weil verlorenes Vertrauen mehr kostet als jedes Enablement. Sag früh, was KI für deine Rollen bedeutet. Ein Schweigen oder unklares “Herumfloskeln” erzeugt ein Vakuum, das jede Person mit ihren größten Sorgen füllt.

9. Ein Workshop ist kein Enablement. Ein häufiger Selbstbetrug vieler Unternehmen und Teams: Training als Event buchen und dann eine Verankerung von KI in den Teams erwarten. Kompetenz entsteht in Wochen, mit echten Use Cases, mit Wiederholung. Wer nach dem Workshop aufhört, hat quasi nie angefangen. Der Kalendertermin ist der Anfang und nicht etwa Ergebnis.

10. Nicht jede Idee verdient einen Piloten. 50 Use Cases im Backlog sind kein wirklicher Fortschritt. Sie sind oft sogar ein Problem. Denn drei Use Cases, die dann wirklich live gehen, schlagen fünfzig Use Cases, die in den Workshops schnell beschrieben wurden. Priorisieren heißt vor allem Nein sagen. Ein volles Backlog ist oft nur eine Reihe aufgeschobener Entscheidungen.

Wenn du die zehn Punkte übereinanderlegst, dann bilden sie ein roter Faden. Es geht nie um das Tool oder das jeweilig angeblich beste KI-Modell. Es geht immer um die Fähigkeit, KI im Alltag sicher, kritisch reflektiert und produktiv einzusetzen. Genau diese Fähigkeit meine ich, wenn ich von AI Fluency spreche. Sie ist die bindende Klebeschicht zwischen den eingekauften Lizenzen und deren Wirkung auf die Produktivität eines Unternehmens.

Speicher dir das Manifest ab, wenn es dir gefällt. Und leite es weiter an die Personen, die bei euch gerade mit einer nachhaltigen KI-Adoption befasst sind.

Investiere in dich und deine berufliche Zukunft.

Wenn du deine eigene AI Fluency heben willst, ist mein Kurs der richtige Einstieg.

🎓 Im „GenAI-Führerschein für HR” baust du Schritt für Schritt die Routine auf, die aus Zugang echtes Können macht. Inklusive erster eigener Mini-GPTs, die direkt am HR-Alltag ausgerichtet sind.

Jetzt KI-Lernreise beginnen

Der Weg für dein Team ist klar. Mehr AI Fluency als heute.

Wenn du AI Fluency nicht nur bei dir, sondern im ganzen Team verankern willst, dann lohnt sich ein kurzes Gespräch, denke ich.

45 Minuten. Wir schauen ehrlich drauf, wo dein Team beim Thema KI wirklich steht und was der nächste sinnvolle Schritt wäre. Wenn es passt, reden wir weiter. Wenn nicht, sage ich dir das auch.

👉 45-Minuten-Slot sichern

Denn nicht jede Organisation ist bereit. Es braucht Führungskräfte, die KI ernsthaft im Team verankern wollen. Ohne Hype. Dafür mit Resultaten. Und es braucht die Zeit, AI Fluency an echten Beispielen und im Austausch aufzubauen. Wer diese Zeit nicht einräumt, meint es mit professioneller KI-Nutzung nicht ernst. Das ist okay. Es ist nur keine gute Grundlage.

Im Bezahlteil geht es genau darum: der Ort, an dem aus dem Manifest tägliche Praxis wird. Das komplette Playbook für eine interne KI-Community, von Phase 0 bis laufender Betrieb.

💡 Montagsmaschine+: Das Playbook, um deine interne KI-Community aufzubauen

Ein Manifest ist auf Deine innere Haltung ausgerichtet. Damit diese Haltung im Alltag ankommt, braucht es einen Ort, an dem Menschen KI ausprobieren, Fragen stellen und voneinander lernen. Dieser Ort ist eine interne KI-Community.

Ich zeige Dir nachfolgend, wie ich so eine Community aufbauen würde.

👉 Abonniere die Bezahlversion Montagsmaschine+, um diese zusätzlichen Details zu lesen, zu diskutieren und Tipps & Tricks auszutauschen.

⬇️ Die Paid-Inhalte sind nur einen Klick entfernt ⬇️

Read more

⚙️ Der Impuls der Woche: Lizenz ist nicht Kompetenz.

In fast jedem Unternehmen läuft gerade dieselbe Folie durch die Meetings: Die KI-Adoption steigt. Mehr aktive Nutzer, mehr Lizenzen im Einsatz, die Kurve zeigt oft nach oben. Alle klopfen sich auf die Schulter. Alles bestens. Oder?

Die Wahrheit ist: Diese AI-Adoption-Kurve misst Zugang. Über Kompetenz sagt sie nichts aus.

Die Kompetenz dahinter ist ein bisschen wie Schrödingers Katze. Sie gilt als vorhanden, solange niemand genau nachfragt. Wer eine Lizenz hat, hat ein Werkzeug. Ob jemand dieses Werkzeug dann auch gut benutzt, ist eine völlig andere Frage.

Das zeigen zwei aktuelle Auswertungen von BCG ziemlich deutlich.

In The AI Adoption Puzzle (BCG, 2025) generieren 60 Prozent der Unternehmen weltweit keinen messbaren Wert aus KI, trotz teils hoher Investitionen. Die Autoren nennen einen konkreten Grund: Organisationen messen Inputs wie die Login-Häufigkeit und nicht die Qualität der Nutzung.

Die zweite Auswertung, AI at Work (BCG, 2025) mit über 10.000 Befragten, zeigt dieselbe Lücke von der anderen Seite. In der Breite der Belegschaft nutzt nur rund die Hälfte KI-Tools regelmäßig. Etwa ein Drittel fühlt sich ausreichend vorbereitet (Folie 12, obere Box).

Der Satz, der bei mir hängen geblieben ist: Ein positiver Blick der Mitarbeitenden auf ihre Karriere steigt von 15% auf 55%, wenn die Unterstützung durch die Führungskraft als hoch empfunden wird.

Alle sehen das Problem. Kaum jemand tut etwas dagegen. Die Lücke ist dabei weniger ein Skill-Problem als ein Verhaltens- und Vertrauens-Problem.

Investiere in dich und deine berufliche Zukunft.

Und wenn du deine eigene AI Fluency heben willst, ist mein Kurs der richtige Einstieg.

🎓 Im “Gen-Führerschein für HR” baust du Schritt für Schritt die Routine auf, die aus Zugang echtes Können macht. Inklusive erster eigener Mini-GPTs, die direkt am HR-Alltag ausgerichtet sind.

Jetzt KI-Lernreise beginnen

Kompetenz entsteht nicht dadurch, dass jemand Zugang bekommt. Sie entsteht durch:

• tägliche Nutzung an echten Aufgaben,

• andauernde Wiederholung und

• ein Team, das voneinander lernt.

Die Daten der BCG-Auswertung belegt das deutlich: Wer mindestens fünf Stunden Training plus Begleitung bekommt, nutzt KI spürbar regelmäßiger.

Genau da setzt das an, was ich seit nunmehr 4 Jahren jeder Person erzähle, die mich fragt, wie man das Thema KI fest in der Organisation verankert. Ich fasse es unter dem Begriff AI Fluency zusammen. Es geht nicht um “noch ein Tool”, sondern die Fähigkeit, KI im Alltag sicher, kritisch reflektiert und produktiv einzusetzen. AI Fluency ist die Schicht zwischen Lizenzen und deren Wirkung auf die Produktivität.

In meinem AI Fluency Manifest ist das explizit unter Punkt 2 gefasst. Das Manifest etabliert zehn Standpunkte, die zusammenfassen, woran KI in Organisationen wirklich hängt. Der zweite lautet:

Lizenz ist nicht Kompetenz. Adoption messen alle. Nutzungsqualität misst kaum jemand.

Der Weg für Dein Team ist klar. Mehr AI Fluency als heute.

Wenn du im Team aus Lizenzen echte Nutzung machen willst und nicht sicher bist, wo ihr anfangen sollt, dann lohnt sich ein kurzes Gespräch.

45 Minuten. Wir schauen ehrlich drauf, wo dein Team beim Thema KI wirklich steht und was der nächste sinnvolle Schritt wäre. Wenn es passt, reden wir weiter. Wenn nicht, sage ich dir das auch.

👉 45-Minuten-Slot sichern

Denn nicht jede Organisation ist bereit für AI Fluency. Es braucht eine Offenheit der Führungskräfte gegenüber einer sinnvollen Verankerung von KI in jedem Team. Ohne Hype. Dafür mit Resultaten.

Dein Team braucht auch ausreichend Zeit, um AI Fluency an echten Beispielen, in Projekten und über Peer-to-Peer-Learnings auszubauen. Wenn Du nicht bereits bist, diese Zeit einzuräumen, dann meinst Du es mit professioneller KI-Nutzung nicht ernst. Das ist okay. Es ist nur keine gute Grundlage für wirklich AI Fluency.

Im Bezahlteil bekommst du diese Woche das komplette Playbook. Zwölf konkrete Routinen, mit denen ein Team neue KI-Gewohnheiten fest verankert. Tool-agnostisch, sofort einführbar, sortiert nach täglichen Reflexen, wöchentlichen Ritualen, Team-Wissen und Steuerung. Zum Schluss die Königsdisziplin, die gerade Uber vormacht.

💡 Montagsmaschine+: Das Playbook mit 12 Routinen, die aus Lizenzen echte Nutzung machen

Kompetenz entsteht über eine neue Gewohnheit und eben nicht über bloßen Toolzugang. Diese zwölf Routinen bauen die Gewohnheit in deinem Team auf.

👉 Abonniere die Bezahlversion Montagsmaschine+, um diese zusätzlichen Details zu lesen, zu diskutieren und Tipps & Tricks auszutauschen.

⬇️ Die Paid-Inhalte sind nur einen Klick entfernt ⬇️

Read more

⚙️ Ein Workshop ist kein Enablement.

Es gibt diesen einen Reflex in fast jedem Team: KI ist ein wichtiges Thema unserer Zeit. Also buchen wir einen Workshop. Halber Tag, alle dabei, Haken dran.

Dazu kommen dann noch eine Prise Tool-Trainings in Microsoft Copilot oder Google Gemini. Dann kann es ja losgehen mit der KI-Revolution. Das ist trügerisch, den es sieht nach Fortschritt aus. Allerdings wird dabei selten etwas dauerhaft verankert. Ein Workshop verändert, was Leute wissen. Wie sie ab kommenden Montag arbeiten, ändert er kaum.

Dafür gibt es einen gut belegten Grund aus der Gedächtnisforschung.

Die Vergessenskurve nach Hermann Ebbinghaus, repliziert von Murre und Dros (2015), zeigt: Ohne Wiederholung fällt das Erinnerte steil ab. Ein Großteil schon in den ersten Tagen.

Dein Team sitzt im Workshop, nickt, ist begeistert. Eine Woche später ist das meiste wieder weg. So läuft es in den meisten Teams.

Und es bleibt nicht bei vergessenem Wissen. Derselbe Effekt lässt ganze KI-Projekte scheitern.

MIT NANDA (2025) hat für den Report “The GenAI Divide: State of AI in Business 2025” 150 Führungskräfte interviewt, 350 Mitarbeitende befragt und 300 KI-Einführungen ausgewertet.

Das Ergebnis: 95 Prozent der KI-Piloten liefern keinen messbaren ROI.

Interessant ist daher ein Grund, den der Report nennt. Es liegt nicht an der Modellqualität und nicht an der Regulierung, sondern an der fehlenden Verankerung. Die Tools lernen die Arbeitsabläufe nicht, und die Organisationen bauen keine dauerhafte Kompetenz auf, die die Piloten dann auch trägt.

Lead-Autor Aditya Challapally nennt es die “learning gap”.

Und ja, mir ist bewusst, dass dass keine repräsentative Studie ist. Es ist aber eben eine Art Fallstudie über verschiedene KI-Projekte hinweg. Under Fehler in diesem Projekten liegt nicht im KI-Modell. Er liegt in der fehlenden Begleitung. Erfolgreicher Wandel der Arbeit entsteht nicht durch KI-Lizenzen.

Übersetzt in HR-Sprache: Der Workshop war das Event. Der Pilot war das Experiment. Und dazwischen fehlte der Teil, in dem aus Wissen Können wird.

Genau dieser Teil lässt sich nicht in einen Tag pressen. Kompetenz entsteht über Wochen. An echten Aufgaben aus dem eigenen Arbeitsalltag, mit Wiederholung, und mit jemandem intern, der dranbleibt, wenn die erste Energie weg ist.

Wer nach dem Workshop aufhört, hat nie angefangen.

Das ist unbequem, weil ein Workshop planbar ist und ein Prozess Arbeit macht. Aber die Zahl von MIT sagt ziemlich klar, was der bequeme Weg kostet.

Lass uns einen ehrlichen Blick wagen.

Wenn dir das bekannt vorkommt, der Workshop, der verpufft ist, der Pilot, der nie live ging, dann lohnt sich ein Gespräch. 45 Minuten. Ich stelle ein paar Fragen, wir schauen ehrlich drauf, wo dein Team beim Thema KI wirklich steht und was echtes Enablement für euch heißen würde. Wenn es passt, reden wir weiter. Wenn nicht, sage ich dir das auch.

👉 45-Minuten-Slot sichern

Für meine Bezahl-Abonnent*innen gibt es diese Woche zwei Dinge zum sofort Anwenden: einen kurzen Selbsttest, ob euer letztes Training etwas gebracht hat, und die konkrete Anleitung, wie ihr aus einem Workshop einen 6-Wochen-Loop macht, der wirklich verankert. Plus den einen Satz, mit dem du das intern begründest, ohne das gerade ausgegebene Budget schlechtzureden.

👉 Abonniere die Bezahlversion Montagsmaschine+, um diese zusätzlichen Details zu lesen, zu diskutieren und Tipps & Tricks auszutauschen.

⬇️ Die Paid-Inhalte sind nur einen Klick entfernt ⬇️

Mini-Micro-Win für diese Woche: Der 3-Fragen-Test

Nimm dir euer letztes KI-Training vor. Egal ob intern oder extern. Und beantworte drei Fragen. Konkret, nicht gefühlt.

Read more

⚙️ Der Impuls der Woche: Ist Dein „Human-in-the-Loop” lost?

„Keine Sorge. Bei uns schaut immer noch ein Mensch drüber. Die KI fällt keine Entscheidung allein.”

Den Satz höre ich in jedem dritten Gespräch über KI in HR. Egal ob im Recruiting-Screening, bei der Vorauswahl, im Performance Review, bei Stellenanzeigen und, und, und. Überall hängt am Ende ein Mensch dran, der gegenzeichnet.

Das klingt verantwortungsvoll, ist aus meiner Sicht aber oft das Gegenteil.

Human-in-the-Loop ist nur dann ein Sicherheitsnetz, wenn der Mensch im Loop auch beurteilen kann, was da aus der KI heraus blubbert.

Und genau das ist das Problem. Schauen wir auf die Daten.

Diese Zahlen zerlegen “Human-in-the-Loop”

Der Lenovo Work Reborn Report (2026) hat 6.000 Beschäftigte in Unternehmen über verschiedene Länder hinweg befragt. Drei Befunde stechen heraus:

31 % der KI-Nutzenden bekommen von ihrem Arbeitgeber kein Training, wie sie KI in ihrer Arbeit einsetzen sollen.

22 % haben gar keine vom Arbeitgeber bereitgestellten KI-Tools.

52 % sorgen sich um die Auswirkungen von KI auf ihre berufliche Zukunft im Unternehmen.

Lass das mal kurz sacken.

Ein Drittel arbeitet ohne Anleitung. Ein Fünftel ohne offizielle Werkzeuge. Und über die Hälfte hat währenddessen Angst um den eigenen Job. Und solche Menschen sind wahrscheinlich auch Dein „Human-in-the-Loop”, oder?

Und sie sind die letzte Bastion in Prozessen mit echtem rechtlichen Risiko (Stichwort: Diskriminierung, AGG, EU AI Act).

Nice.

NICHT.

Ohne AI Fluency ist die Kontrolle eine Illusion

Ich bin wirklich überrascht, dass so viele Teams auf eine recht simple Version von “Human-in-the-Loop” setzen. Denn wer nie gelernt hat, wie beispielsweise ein Sprachmodell funktioniert, kann nicht beurteilen, ob ein Ergebnis inhaltlich trägt.

Er sieht einen flüssigen, selbstbewussten Text oder ein gut begründetes Scoring von Bewerbungen und müsste nun detailliert inhaltlich einschätzen können, ob diese Ausgaben “richtig” sind.

Genau das ist die Falle. KI-Outputs klingen oft am souveränsten, wenn sie nicht ausreichend Wissen haben und daher Fakten halluziniert oder mindestens “kreativ” ergänzt haben.

Ein Mensch ohne KI-Kompetenz erkennt nicht:

• wann ein Modell halluziniert,

• welche Faktoren zu Bias in der Ausgabe führen,

• und wo im Prozess das eigentliche Risiko entsteht.

So wird aus der kritischen Prüfung ein Abnicken, dass keine Kontrolle ist. Es ist eine unterschriebene Bankrotterklärung, ggfs. sogar mit Haftungsrisiko. Denn wenn nachweislich nur abgenickt wird, und sei es nur aus Zeitdruck, dann wird es schwer zu begründen, dass die KI nicht tatsächlich doch die Entscheidungen getroffen hat.

Kurzum: Dein “Human-in-the-Loop” sollte niemals Homer Simpson sein. Außer es ist der Homer aus der Folge mit dem Buntstift in der Nase.

Ja, AI-Bias ist real

Die Sachlage ist komplex. Einerseits gibt es nachweislich KI-Diskriminierung und Diskriminierung durch Menschen. Andererseits zeigen manche Studien auch, dass KI und Mensch zusammen bessere Ergebnisse liefern können, als Mensch oder KI allein.

Gender- und Racial-Bias in Sprachmodellen

An et al. (2025) finden über alle untersuchten Jobgruppen hinweg eine Bevorzugung von Frauen verschiedenster Identitäten und eine Benachteiligung schwarzer Männer im Recruiting. Sie untersuchten über 360.000 Lebensläufe in einer randomisierten Studie mit folgenden Sprachmodellen: OpenAI's GPT-3.5 Turbo and GPT-4o, Google's Gemini 1.5 Flash, Anthropic AI's Claude 3.5 Sonnet, and Meta's Llama 3-70b.

Besseres Recruiting durch KI-Einsatz

Aka et al (2025) haben 37.000 angehende Junior-Developer*innen randomisiert einen KI-assistierten Recruitingprozess (Assessment plus Interview) oder einen rein menschlichen Recruitingprozess durchlaufen lassen. Sie finden, dass 54% der Kandidat*innen in den KI-assistierten Prozessen im finalen menschlichen Interview für den Job ausgewählt wurden. Im rein menschlichen Prozess waren dies nur 34%. Der Clou: Die Interviewer*innen wussten nicht, ob ein*e Kandidat*in aus einem KI-assistierten oder menschlichen Prozess kam. Zudem gab die KI häufiger jüngeren Menschen mit weniger “Credentials” eine Chance.

Die Botschaft dahinter ist eigentlich:

Ein Bias verschwindet nicht, weil ein Mensch am Ende draufschaut. Er verschwindet aber vielleicht, wenn eine Maschine den Menschen unterstützt und der mensch dann aber professionell handelt (hier: Strukturiertes Job-Interview auf Basis von KI-Scores in der ersten Runde).

Und jetzt der Punkt, an dem die meisten Programme scheitern: AI Fluency ist keine Serie an Tool-Trainings.

Zu wissen, wo der „Senden”-Button sitzt und welche Features ein Tool hat, das reicht bei Weitem nicht. Das ist eine Bedienkompetenz und eben keine kritische Urteilskompetenz. Echte AI Fluency heißt: beurteilen können, ob, wann und wie du KI in einen Prozess lässt — und die Verantwortung für das Ergebnis tragen.

Dafür braucht es einen Rahmen. Ich nutze als Basis häufig das 4D-Framework (Anthropic, 2025) und übersetze es auf HR-Prozesse:

1. Delegation: Was gibst du überhaupt an die KI ab? Die erste Entscheidung ist nicht „welcher Prompt”, sondern „welche Aufgabe gehört in menschliche Hand”. Ein automatisiertes Vorab-Ranking von Bewerbenden ist eine andere Risikoklasse als eine Formulierungshilfe für eine Stellenanzeige.

2. Description: Kannst du dein Ziel so beschreiben, dass die KI das Richtige tut? Unscharfe Anweisungen erzeugen unscharfe und oft verzerrte Ergebnisse. Wer nicht präzise beschreiben kann, was er will, bekommt, was das Modell für plausibel hält.

3. Discernment: Kannst du das Ergebnis fachlich bewerten? Das ist die Kompetenz, die im „Human-in-the-Loop” fehlt. Stimmt der Inhalt? Wo könnte Bias drinstecken? Ist das eine Halluzination mit perfektem Tonfall? Ohne Discernment ist jede menschliche Kontrolle zahnlos.

4. Diligence: Übernimmst du Verantwortung für Einsatz und Ergebnis? Transparenz über den KI-Einsatz, Nachvollziehbarkeit, Haftung. In HR-Prozessen mit rechtlichem Risiko ist das keine Kür, sondern Pflicht.

Erst diese vier Dimensionen zusammen machen aus einem „Mensch im Loop” eine echte Kontrollinstanz. Doch sie müssen in deutschen Unternehmen jeweils noch inhaltlich deutlich ausgekleidet werden. Sie sind eher ein Rahmenkonzept. Im Bereich Delegation, zum Beispiel, ist die Entscheidung welche Aufgaben an KI gegeben werden deutlich stärker reguliert als in anderen Ländern außerhalb der EU.

🎓 Genau hier setzt mein Kurs an.

💡 Im „GenAI-Führerschein für HR” baust du nicht nur Bedienkompetenz auf, sondern lernst KI in Deine Urteilsprozesse einzubauen, inklusive eigener Mini-GPTs, mit denen du Studien wie diese hier selbst recherchierst und einordnest oder strategisches Brainstorming zu zentralen HR-Prozessen durchziehst.

Jetzt KI-Lernreise beginnen

💡 Montagsmaschine+ : Wie erkennst Du, ob Dein HR-Team ein AI Fluency Problem hat?

Es gibt eine Reihe an Symptomen, an denen Du erkennst, dass Du wahrscheinlich ein AI Fluency Problem hast. Ich zeige Dir im Paid-Teil des Newsletters, wie Du das für Dein Team diagnostizieren kannst.

Mini-Micro-Win für diese Woche:

Nimm dir zudem einen HR-Prozess, in dem heute KI mitläuft. Nur einen. Und geh für diesen Prozess das 4D-Raster durch.

👉 Abonniere die Bezahlversion Montagsmaschine+, um diese zusätzlichen Details zu lesen, zu diskutieren und Tipps & Tricks auszutauschen.

⬇️ Die Paid-Inhalte sind nur einen Klick entfernt ⬇️

Read more

⚙️ Der Impuls der Woche: Hör auf, an Prompts zu feilen. Bau den Kontext und Loops.

Du kennst das Versprechen. „Lern den perfekten Prompt, und ChatGPT macht alles für dich.” Ganze Kurse, Prompt-Bibliotheken, 200-seitige PDFs. Alle drehen sich um eine Frage: Wie formuliere ich den einen magischen Prompt?

Klingt logisch, auch wenn es aus meiner Sicht überholt ist. Du musst eher lernen, welche Techniken der Formulierung besser sind als andere und wie man diese Formulierung dann in Workflows automatisiert.

Denn das Problem Deiner schlechten KI-Ergebnisse ist selten der Prompt. Es ist der fehlende Kontext. Denn deine KI weiß nicht:

👉 für welches Unternehmen Du arbeitest.
👉 wie Euer Bewerbungsprozess läuft.
👉 welche Tonalität Eure Arbeitgebermarke hat.
👉 was letzte Woche im Meeting vereinbart wurde.

Sie ist ein brillanter Berater mit ständiger Amnesie, unbekannten Wahrscheinlichkeiten und starker Tendenz zu generischem Internetwissen. Jeden Morgen wieder bei null. Und keine noch so elegante Prompt-Formulierung repariert das einfach so.

Die KI-Erfinder*innen schreiben keine Prompts mehr

Jetzt wird es also interessant. Wie kannst Du generative KI-Modell wie Claude, Gemini, oder ChatGPT dann trotzdem so nutzen, dass die Ergebnisse Dich wirklich weiterbringen. Im Grunde mit dem Ziel bestimmte Aufgaben auch guten Gewissens abgeben zu können.

Boris Cherny ist der Kopf hinter Claude Code, dem Werkzeug, mit dem Anthropic seine eigene KI zum Programmieren bringt. Also einer der Menschen, die am tiefsten verstehen, wie man mit diesen Modellen redet.

Sein Standpunkt ist sinngemäß:

„Ich prompte nicht mehr. Mein Job ist es, Loops zu schreiben.”

Und:

„Du sollst ein System bauen, das sich selbst promptet.”

— Boris Cherny, Anthropic (The New Stack, 2026)

Lies das nochmal.

Der Mensch, der die KI am besten kennt, optimiert nicht den Prompt. Er baut einen Rahmen, in dem die KI sich selbst Anweisungen gibt, ihre eigene Arbeit prüft und so lange nachbessert, bis das Ergebnis stimmt.

Das ist ein wichtiger Paradigmenwechsel. Auch für Dein Team und Dein HR.

Wie kommst Du vom Prompt zum System

Der alte Reflex ist: Mensch schreibt Prompt → KI antwortet → Mensch ist unzufrieden → Mensch schreibt besseren Prompt.

Der neue Ansatz ist eher so beschrieben: Mensch gibt der KI Kontext, Werkzeuge und ein Ziel → KI arbeitet, prüft sich selbst, korrigiert sich → Mensch schaut auf das Ergebnis.

Der Hebel verschiebt sich also. Weg von der perfekten Eingabe. Hin zu drei Dingen:

1. Kontext: Was die KI dauerhaft über Dich, Dein Unternehmen und Deine Arbeit weiß.

2. Werkzeuge: Womit die KI ihre eigene Arbeit überprüfen kann.

3. Routinen: Was automatisch läuft, ohne dass Du jedes Mal tippen musst.

Die Anthropic-Ingenieure berichten, dass sie so 8x mehr ausliefern als vorher. Über 80 % ihres produktiven Codes soll inzwischen die KI selbst schreiben (The New Stack, 2026). Letztere Angaben sind aber meist mit etwas Vorsicht zu genießen. Es ist nicht so, dass hier eine KI eine andere KI baut (wie es kürzlich fälschlich in der Tagesschau berichtet wurde).

Diese neue Art der Zusammenarbeit mit KI wird nicht durch bessere Prompts erreicht. Sie entsteht durch einen besseren Rahmen, in dem die KI dann arbeitet.

Was bedeutet Loop Engineering das HR?

Du programmierst nicht und das ist okay. Geschenkt. Musst Du nicht unbedingt. Aber das Prinzip ist eins zu eins übertragbar.

Wenn Du ChatGPT jeden Tag aufs Neue erklärst, was Eure Werte sind, wie Eure Stellenanzeigen klingen sollen und wer Eure Zielgruppe ist, dann arbeitest Du noch im alten Modell. Du feilst am Prompt.

Die Profis bauen stattdessen dauerhaften Kontext: ein Projekt, einen CustomGPT oder KI-Agent, eine Wissensdatei, einige relevante Skill.md, die die KI bei jeder Anfrage auf Relevanz prüft und ggfs. parat hat. Einmal füttern. Hundertmal nutzen. Über die Zeit pflegen.

Das ist der Unterschied zwischen einem KI-Praktikanten, dem Du jeden Morgen alles wieder neu erklärst und einem sehr gut eingearbeiteten Kollegen, der einfach weiß, wie der Laden läuft. Eigentlich kann man es KI-Onboarding nennen.

🎓 Genau hier setzt mein Kurs „GenAI-Führerschein für HR” an. Du lernst nicht 100 Prompts auswendig. Du baust Deine eigenen Mini-GPTs, die Deinen HR-Kontext dauerhaft kennen. Damit recherchierst, schreibst und entscheidest Du schneller — ohne jedes Mal von vorn zu beginnen.

Im Paid-Teil dieser Woche wird es konkret.

Ich nehme die offiziellen Best Practices, mit denen die Anthropic-Ingenieure arbeiten und übersetze sie in einen Rahmen, den Du ohne eine Zeile Code in Deiner HR-Arbeit anwenden kannst. Inklusive Mini-Micro-Win für diese Woche.

👉 Abonniere die Bezahlversion Montagsmaschine+, um diese zusätzlichen Details zu lesen, zu diskutieren und Tipps & Tricks auszutauschen.

⬇️ Die Paid-Inhalte sind nur einen Klick entfernt ⬇️

💡 Mini-Micro-Win für diese Woche

Bau einen einzigen, dauerhaften Kontext-Block. Heute. In 15 Minuten.

Read more

✅ Warum gekaufte Copilot-Lizenzen ungenutzt verstauben und warum mehr Training das nicht repariert
✅ (Montagsmaschine+) 4 Angst-Frames + fertige Gesprächs-Skripte, mit denen du dein Team wirklich in Bewegung bringst

⚙️ Der Impuls der Woche: Warum Mitarbeitende nicht mitziehen, obwohl das Tool längst da ist

Du kennst dieses Meeting. Die KI-Lizenzen sind gekauft. Das Budget ist weg. Und drei Monate später fragt jemand aus der Chefetage: „Was haben wir eigentlich davon?” Und Du, wie viele andere Leader*innen aktuell, hast keine gute Antwort. Und das liegt meistens daran, dass die KI-Tools doch nicht in dem Umfang genutzt werden, wie zuvor erwartet.

Willkommen im teuersten Stillstand der HR-IT: Lizenz ohne Kompetenz, Tool ohne Verhaltensänderung.

Die Zahlen sind oft absurd, auf eine sehr menschliche Art

Schau dir das an. 94 % der Befragten glauben, dass Copilot irgendeinen Wert hat und 72 % pilotieren oder implementieren das Tool. Aber nur 17 % denken über eine Skalierung nach und nur 12 % sagen, dass es signifikanten Wert schöpft (Gartner, 2025).

Lies das nochmal. Die Leute wollen das Tool, aber sie sehen trotzdem kaum Wertschöpfung. Das ist kein Widerspruch in den Daten. Das ist ein Widerspruch im Setup vieler Unternehmen und vielleicht auch in den damit arbeitenden Menschen.

Die übliche Diagnose ist bequem … und falsch

Wenn nichts passiert, lautet die Standard-Erklärung fast immer: „Uns fehlt Schulung.” Also wird geschult. Webinare, Cheat-Sheets, ein Champion pro Abteilung. Und dann wird es schon besser mit der Nutzung. Klingt logisch.

Ist aus meiner Sicht aber falsch.

Denn die harte Wahrheit steckt in einer anderen Zahl: Nur wenige Unternehmen bringen ihre KI-Piloten überhaupt in den Regelbetrieb oder schaffen es neue KI-Routinen zu etablieren.

Nicht, weil das Tool keinen Wert liefert. In Case Studies von Firmen, die früh auf KI-Copiloten gesetzt haben, wird durchaus von bis zu 45 gesparten Minuten pro Tag pro Mitarbeiter*in gesprochen (Petri.com). Das sind über eine Woche ca. ein halber Arbeitstag. Das ist nicht wenig.

Der Wert ist also wahrscheinlich erreichbar. Das Problem ist nicht das Können.

Meine These: Das Problem ist das Wollen-Dürfen-Trauen. Langsame KI-Adoption ist kein Skill-Gap. Es ist ein Verhaltens-Gap.

Und hinter jedem Verhalten steht ein Bedürfnis oder eine Angst. Das ist menschlich und bei KI-Nutzung nicht anders.

Vier Grundängste und warum sie dein Rollout sabotieren

Der Psychologe Fritz Riemann hat 1961 in „Grundformen der Angst” beschrieben, dass menschliches Verhalten von vier Grundängsten geprägt ist. Jeder Mensch trägt alle vier in sich, nur eben unterschiedlich stark. Das Schöne daran: Diese vier Ängste erklären fast lückenlos, warum dein Team Copilot links liegen lässt.

1. Die Angst vor Veränderung → das Bedürfnis nach Dauer.

„Mein Workflow funktioniert seit Jahren. Warum soll ich ihn umbauen?”

Das ist die häufigste Blockade. Copiloten sind ein Bruch in einer eingespielten Routine. Aber Routinen geben eben auch Sicherheit. Wer sie aufgibt, riskiert kurzfristig langsamer zu sein, um langfristig schneller zu werden. Dieses Versprechen glaubt niemand, der unter Termindruck arbeitet.

2. Die Angst vor Kontrollverlust → das Bedürfnis nach Distanz.

„Ich will nicht, dass mir eine Maschine reinredet.”

Manche Menschen schützen ihre Autonomie. Eine KI, die mitliest, vorschlägt, formuliert, fühlt sich wie eine Einmischung an. Dazu kommt die ganz reale Sorge: Was passiert mit meinen Daten? Wer sieht, was ich eingebe? Solange das ungeklärt ist, ist Nicht-Nutzen die sichere Wahl.

3. Die Angst vor Ausgrenzung → das Bedürfnis nach Zugehörigkeit.

„Was, wenn die anderen denken, ich kann’s nicht selbst?”

Das ist die unterschätzteste Angst. Wer KI nutzt, hat heimlich Sorge, als Schummler oder als faul zu gelten. „Das hat doch nur die KI geschrieben.” In Teams ohne klare Erlaubnis wird KI-Nutzung zum Reputationsrisiko. Also bleibt sie im Verborgenen oder unterbleibt ganz.

4. Die Angst vor Festlegung → das Bedürfnis nach Wechsel.

„Warum soll ich mich auf Copilot einlassen? Morgen kommt eh das nächste Tool.”

Tool-Müdigkeit ist real. Wer in den letzten drei Jahren fünf neue Systeme „lernen” musste, entwickelt eine gesunde Trägheit. Sich auf ein Werkzeug festzulegen, fühlt sich nach verschwendeter Mühe an, wenn die Halbwertszeit gefühlt bei sechs Monaten liegt.

Hinter allen vier Ängsten liegt dieselbe wichtige Frage

Es ist eine existenzielle Frage:

„Wenn die KI das in drei Sekunden kann, wozu bin dann noch ich da?”

Das ist die Wurzel. Statusangst. Die Sorge um die eigene Kompetenz, die eigene Rolle, den eigenen Wert. Kein Schulungsvideo der Welt beantwortet diese Frage oder liefert darauf eine Lösung.

Und genau deshalb scheitert reines „Enablement”. Du gibst Antworten auf das Wie, aber die Menschen in Deinem Unternehmen haben eine Frage zum Warum soll ich überhaupt?.

🎓 Genau hier setzt mein Kurs an. Im „GenAI-Führerschein für HR” geht es nicht nur um Prompts, sondern darum, KI von der Bedrohung zum Werkzeug zu machen. Du baust erste eigene Bots und merkst dabei selbst, wie aus Angst Neugier wird. Sehr sinnvoller erster Schritt, auch für dein Team.

Das ist der Unterschied zwischen Hype-Follower und kompetenter HR-Person.

Jetzt lernen!

Du weißt jetzt, warum niemand mitzieht: Es sind vier Grundängste an einer Stelle, an der Du einen Skill-Gap vermutet hast.

Was dir also fehlt, ist: Wie sprichst du jede dieser Ängste konkret an, ohne als Tech-Evangelist zu gelten, der jeden Trend bejubelt?

Genau das gibt’s unten: ein Mini-Micro-Win für diese Woche, vier fertige Gesprächs-Frames (einer pro Angst) und eine Checkliste für deinen nächsten Rollout-Versuch.

👉 Abonniere die Bezahlversion Montagsmaschine+, um diese zusätzlichen Details zu lesen, zu diskutieren und Tipps & Tricks auszutauschen.

⬇️ Die Paid-Inhalte sind nur einen Klick entfernt ⬇️

Read more

⚙️ Der Impuls der Woche: Chat, KI-Assistent oder Coding-Agent, wann nimmst du was?

In meinen Webinaren, nach Vorträgen oder auf Events wird mir oft die selbe Frage gestellt.

„Welche KI-Tools nutzt du eigentlich?”

Die ehrliche Antwort: mehrere, aber wahrscheinlich weniger als viele denken würden. Schließlich bin ich ja Data Dan und da muss ich ja qua Berufsethos schon hunderte Tools nutzen. Ich teste viele Tools. Das stimmt. Aber nur wenige Tools schaffen es in meinen täglichen Workflow. Und ich nutze diese bewusst unterschiedlich.

Nicht weil ich besonders technikaffin bin. Sondern weil mir irgendwann klar wurde: Verschiedene Aufgaben brauchen verschiedene Werkzeuge.

Heute zeige ich Dir den Stack generativer Chat- und Agententools und wie ich entscheide welches Tool ich für welche Aufgaben nutze.

Ebene 1: Wofür nutze ich Chat-Tools am besten?

Die kurze Antwort ist: Für alles, was im Dialog funktioniert.

Die lange Antwort ist: Ich nutze Chat für Ideenentwicklung, Übersetzungen, Recherchen zu wissenschaftlichen Studien und das Besprechen von Themen unterwegs im Conversation Mode, zum Beispiel auf langen Autofahrten.

Chat (z.B., ChatGPT, Gemini, oder Claude Chat) ist ein klassischer Gesprächspartner für mich. Es reagiert auf mich. Ich verfeinere meine Gedanken mit Hilfe von Chats. Der Output entsteht im Austausch und nicht durch eine einmalige Anweisungen.

Oft nutze ich dabei bestimmte Prompt Techniken (z.B., Interview-Me-Prompting oder Rollen-Prompting), die mich besonders gut bei der Gedankensammlung oder Ideenentwicklung unterstützen. Den Devil’s Advocate Prompt benutze ich besonders oft, wenn ich mich Anfang eines Gedanken befinde oder ein Konzept kritisch prüfen lassen will:

Diese Art von Use Case ist im Grunde “Front-Of-The-Funnel” für meinen produktiven Workflow. Wenn eine Idee geschärft aus dieser Interaktion herauskommt, ist sie ein Kandidat für einen potentiellen Output von HR.Daten.Liebe oder Data Dan. In diesem Fall lasse ich mir den gesamten Chatverlauf und die zentralen Ergebnisse in einem Briefingdokument (meistens im markdown- oder html-Format) zusammenfassen. So kann ich es für spätere Sessions mit den eher agentischen Tools als Kontext und Briefing nutzen.

🎓 Du willst den Einstieg ins KI-Thema finden, aber praxisnah und ohne Buzzword-Bingo?

💡 In meinem Kurs „GenAI-Führerschein für HR” baust Du Deine ersten hilfreichen Mini-GPTs und lernst, KI systematisch in Deinen HR-Alltag zu integrieren. Kein Hype. Sondern echte erste Schritte, die auf Deinem bestehenden HR-Wissen aufbauen.

Das ist der Unterschied zwischen Hype-Follower und kompetenter HR-Person.

Jetzt lernen!

Auf dieser Ebene nutze ich auch nur selten das neuste (aka teuerste oder Token hungrigste KI-Modell). Es geht mir um lange Konversationen und hohe Tokenlimits im Kontextfenster.

Was Chat-Tools meiner Erfahrung nach weniger gut können ist es selbstständig mehrere Schritte abzuarbeiten, mehrere externe Tools einzubinden, Aufgaben zu speichern und zu einem festgelegten späteren Zeitpunkt auszuführen.

Dafür gibt es dann Ebene zwei.

Ebene 2: Wofür nutze ich agentische KI-Tools am besten?

Die kurze Antwort ist: Für alles, was mehrere Schritte und Tools verbinden muss und dabei Konsistenz braucht.

Die lange Antwort ist: Auf dieser Ebene nutze ich agentische KI-Tools (z.B., Claude Cowork) um Blogbeiträge zu schreiben, Skripte für kurze Videos zu erstellen, wiederkehrende Aufgaben zu terminieren und externe Tools zu verknüpfen. Das sind Präsentations-Tools, Design-Tools, klassische office-Tools oder Datenbanken für Contentpläne, Aufgabenlisten oder ein schlankes CRM.

Ein konkretes Beispiel ist die Erstellung von Schulungsunterlagen für den Rollout einer Software oder für meine Webinare/Inspo-Sessions.

Ein massiver Unterschied zur Chat-Ebene fällt direkt auf. Der agentische Assistent handelt, anstatt nur auf meinen Input zu antworten.

Ich gebe einen konkreten Auftrag mit Briefingunterlagen, die ich im Chat vorher erstellt habe. Der agentische Assistent arbeitet ihn Schritt für Schritt ab und hat dabei auch mit Werkzeugzugriff, mit definierten Routinen und mit “Gedächtnis” für den relevanten Kontext.

Dazu kommen sogenannte agentische Skills: festgelegte Abläufe mit gespeichertem Kontext. Zum Beispiel für konsistentes Branding quer durch alle Texte. Oder für standardisierte Unterlagen, die ich immer wieder brauche.

Wenn Du wissen willst, was diese Skills sind, dann habe ich dazu eine eigene Ausgabe geschrieben:

Was ich einmal eingerichtet habe, läuft auf dieser Ebene immer wieder. Ohne dass ich jeden Schritt neu beschreiben muss. Das ist der eigentliche Hebel dieser Ebene.

Ebene 3: Wofür nutze ich Coding-Agenten am besten?

Für alles, was ich selbst nicht kann oder wo meine Opportunitätskosten zu hoch wären. Dabei nutze ich meinen Stundensatz als Orientierung. Etwas, dass mich eine Stunde Arbeit kostet, muss mir mehr Umsatz einbringen als eine Stunde meines KI-Sparrings mit HR-Leiter*innen.

Das beste Beispiel ist: Ich kann nicht programmieren. Trotzdem habe ich kürzlich einen klickbaren Prototyp für eine KI-Lernapp gebaut, indem ich einem Coding Agent (wie Claude Code oder Open AI Codex) entsprechende Instruktionen und Beispielmedien in Form von Screenshots gegeben habe. Auf ähnliche Weise habe ich einen ersten Entwurf für meine baldige Speaker-Landingpage erstellen lassen.

Im Screenshot unten siehst du das Ergebnis einer ca. 20-minütigen Session mit Claude Code zur Erstellung des klickbaren Prototypen für eine App namens KI-Booster. Das ist ein Showcase, den ich für meine Vorträge und Sparring nutze, um zu zeigen, wie man mit Coding Agenten über die Grenzen der eigenen Fähigkeiten hinausgehen kann.

Für mich ist das keine Spielerei. Das ist eine echte Erweiterung in Bereiche, die mir vorher schlicht verschlossen waren. Ich meine damit nicht, dass ich eine solche App dann komplett durchprogrammiere und mit sicherem oder gar Datenschutz konformem Backend ausstatten kann. Nein. Das empfehle ich nicht.

Ich nutze sowas dann als extrem verständliche Inspiration für Entwickler*innen oder Web-Designer*innen, die solche Produkte dann professionell ausarbeiten können. Die Kunst des KI-Einsatzes ist aus meiner Sicht die eigenen Grenzen teils zu überschreiten und dennoch zu wissen, was man besser an absolute Fachexpert*innen übergibt.

Warum nutze ich dann nicht immer Coding-Agenten?

Das ist ganz einfach zu beantworten. Weil sie am teuersten sind in Zeit, Geld und Einrichtungsaufwand. Ich setze sie nur ein, wenn der Nutzen das deutlich rechtfertigt. Konkret: wenn ich eine Aufgabe gar nicht selbst erledigen kann, oder wenn meine Zeitkosten so hoch wären, dass es keinen Sinn ergibt, sie selbst zu erledigen.

Meine Entscheidungsregel für den KI-Einsatz (kurz gefasst)

Ich stelle mir bei jeder Aufgabe drei Fragen:

1. Brauche ich einen Dialog oder ein fertiges Ergebnis?

2. Ist die Aufgabe einmalig oder wiederkehrend?

3. Kann ich das selbst erledigen und zu welchem Preis?

Auf diese Weise lande ich fast immer bei der richtigen Ebene. Und spare dabei sowohl Zeit als auch Geld. Klingt simpel. Ist aber für viele HR-Profis ein echter Perspektivwechsel. Zumindest merke ich das in meinen Sparrings. Ich kann förmlich zusehen, we es Klick macht und sich bei den Teilnehmenden ein ganz neue Welt der Zusammenarbeit mit KI-Tools auftut.

Der Hauptgrund dafür ist aus meiner Sicht, dass die meisten bei „KI” zunächst an ChatGPT denken. Und dabei die lassen sie die zwei weitere Ebenen komplett außen vor.

[Montagsmaschine+] Deine Entscheidungsmatrix für HR-Tasks für die richtige KI-Tool-Auswahl

Hier ist der konkrete Übertrag auf deinen HR-Alltag. Nimm Dir jetzt fünf deiner typischen KI-Aufgaben. Nimm welche, die du aktuell erledigst oder gerne erledigen würdest. Und beantworte für jede Aufgabe diese drei Fragen:

👉 Abonniere die Bezahlversion Montagsmaschine+, um diese zusätzlichen Details zu lesen, zu diskutieren und Tipps & Tricks auszutauschen.

⬇️ Die Paid-Inhalte sind nur einen Klick entfernt ⬇️

Read more

⚙️ Der Impuls der Woche: Der Fehler, den fast alle beim Aufbau von KI-Agenten machen

Kurz erklärt: Was ist eigentlich ein Coding Agent?

Ein Coding Agent ist nicht einfach ChatGPT, dem du eine Frage stellst. Es ist ein KI-System, das selbstständig plant, Code schreibt, Tests ausführt, Fehler behebt und das Ergebnis als fertigen Änderungsvorschlag liefert. Du gibst eine Aufgabe. Der Agent erledigt sie.

Der Unterschied zur klassischen KI-Assistenz: Du tippst nicht mehr mit, sondern Du reviewst das Ergebnis. Und dieser Unterschied ist größer, als er klingt.

Wer liefert die derzeit wichtigsten Coding Agents?

Dieser Markt ist in weniger als zwei Jahren von Experiment zu Infrastruktur geworden. Die relevanten Systeme im Überblick:

Claude Code (Anthropic)
Ein terminal-basierter Agent mit starkem Fokus auf autonome, mehrstufige Aufgaben. Aktuell in der steilsten Adoptionskurve, die Developer-Tooling je gesehen hat. Er kann aber auch über die Desktop-App von Claude angesteuert werden und ist dann etwas nutzerfreundlicher für Nicht-Coder*innen.

OpenAI Codex
Ein cloud-nativer Agent, der direkt aus GitHub-Issues Pull Requests baut. Läuft auf dem codex-1-Modell (basierend auf o3). Seit dem Start der Desktop App im Februar 2026 auf über 3 Millionen wöchentliche Nutzer gewachsen.

Cursor
KI-natives IDE (Integrated Development Environment), das den klassischen Code-Editor ersetzt. Stärkste Integration für Teams, die im Editor leben. Unterstützt Claude, GPT und Gemini als Modelle.

GitHub Copilot (Microsoft)
Der insgesamt breiteste Rollout, läuft in VS Code, JetBrains, Visual Studio und mehr. Inzwischen mit echtem Agent Mode für mehrstufige Aufgaben. Für Enterprise-Teams mit bestehendem GitHub-Stack oft der einfachste Einstieg.

Gemini CLI (Google)
Ein command-line Agent mit dem derzeit größten Kontextfenster (1 Million Tokens). Besonders stark bei großen Codebasen, kostenloser Einstieg.

Google Antigravity
Googles agent-first IDE, seit November 2025 verfügbar. Nativ auf Multi-Agent-Orchestrierung ausgelegt: mehrere Agenten arbeiten parallel, koordiniert über eine zentrale Steuerung.

Der gemeinsame Nenner all dieser Coding Agents ist die Funktionsweise: Alle funktionieren nach dem gleichen Prinzip. Plan → Code → Test → Fix → Ergebnis.

Was sie unterscheidet: Wo sie laufen (lokal, cloud, im Browser), welche KI-Modelle sie nutzen, und wie gut sie in bestehende Systeme integrieren.

Was haben Coding Agents mit HR zu tun?

Ehrlich: Fast alles. Coding Agents sind nicht nur für Softwareentwickler. Sie sind für alle, die Prozesse automatisieren wollen und HR ist voll von solchen Prozessen.

Einige Beispiele wären HR-Reports, die sich monatlich identisch wiederholen. Stellenbeschreibungen nach internem Format. Onboarding-Workflows, die sich je nach Rolle und Standort variieren, aber strukturell gleich sind.

Genau das können Coding Agents erledigen. Nicht einfach nur als Experiment, sondern tatsächlich als Prozess-KI. Denn die zentrale Sprache zur Übermittlung der gewünschten Inhalte und zu deren Erstellung ist die Stärke dieser Coding Agents: Programmiercode!

Mit Programmiercode lässt sich sehr flexible fast alles erstellen. Aber dafür braucht es mehr als nur einen Agenten. Lies’ weiter. Ich zeige Dir, was ich meine.

Es gibt einen Satz, die ich in fast jedem HR-Tech-Gespräch höre.

„Wir bauen uns einen Agenten/Bot für X.”

Klingt cool und auch so, als hätte da jemand einen guten Plan zur Nutzung von KI. Es ist aus meiner Sicht aber strukturell falsch gedacht.

Nicht weil Agenten schlecht sind. Sondern weil ein Agent, der alles kann, in der Praxis nichts richtig kann.

Das Problem heißt Agent Sprawl. Viele HR-Teams leiden bereits jetzt daran.

Du baust einen Agenten für Stellenbeschreibungen. Einen weiteren Agenten für das Onboarding. Einen anderen Agenten für HR-Reportings. Und plötzlich hast du ein Dutzend spezialisierte, nicht wiederverwendbare Konstrukte, die alle ihre eigene Logik, ihre eigenen Prompts und ihre eigene Pflege brauchen.

Das skaliert einfach nur sehr selten. Im gründe nur in einer Welt, in der es für jede HR-Aufgabe einen global standardisierten Prozess gibt, dem auch alle Menschen jederzeit genau so folgen. Also quasi nie.

Was steckt hinter dem Skill-Fokus der KI-Industrie?

Seit Dezember 2025 gibt es einen offenen Standard, der dieses Problem strukturell löst: agentskills.io. (https://agentskills.io/home)

agentskills.io ist die offizielle Dokumentationsseite für Agent Skills, also eine Art offener Standard, mit dem man KI-Agenten neue Fähigkeiten und Arbeitsabläufe als kleine, wiederverwendbare Ordnerpakete gibt.

Das Prinzip dahinter ist einfach:

Ein Agent soll nicht alles wissen. Er soll gut im gesammelten Prozesswissen der Firma navigieren können.

Statt dass ein Agent mit riesigen, monolithischen Prompts gefüttert wird, werden Skills ausgelagert. Jeder Skill ist ein eigenständiges, portierbares Verzeichnis (so wie die Ordnerstruktur auf deinem Rechner) mit klaren Anweisungen, erlaubten Tools und Ausführungslogik.

Der Agent selbst wird schlanker. Er versteht die Absicht des Nutzenden und wählt den richtigen Skill oder kombiniert gleich mehrere Skills zur Erledigung der Aufgabe. Dann führt der Agent die Aufgabe aus, testet das Ergebnis selbst, verbessert es und sendet es Dir zur Freigabe.

Anthropic, Microsoft, OpenAI, Cursor und GitHub haben diesen Standard u.a. adoptiert. Das ist also kein reiner Hype, sondern eine Art Fähigkeiten-Infrastruktur für Coding-Agents.

Was sind Agent Skills konkret: Die Küchen-Analogie

Stell dir vor, ein Agent ist ein Koch in einer professionellen Küche.

• MCP (Model Context Protocol) ist die Küche selbst mit Zutaten, Geräten, Kühlschrank und Herd. Das sind quasi die Tools, die ein Agent bei der Lösung von Aufgaben verwenden kann. Tools können auch den Zugriff auf eure HR-Systeme umfassen. Der Zugriff selbst erfolgt dann über den MCP-Standard (oder A2A von Google).

• Agent Skills sind die Rezeptkarten an der Küchenwand mit präzisen Schritt-für-Schritt-Anleitungen, um wiederholbar ein konsistentes Ergebnis zu ermöglichen.

Der Agent ist ja der Koch und daher liest er die Karte, nutzt die Zutaten, produziert das Ergebnis, dass vom Kunden des Restaurants angefragt wurde. Du kannst den besten Koch (Agent) der Welt einstellen. Wenn die Rezepte (Skills) fehlen, kocht er jedes Mal anders.

Was kannst Du mit Agent Skills im HR erledigen?

Hier sind konkrete Beispiele, wie Agent Skills in HR aussehen und was ein Coding Agent damit erledigen kann, ohne dass du jedes Mal neu erklären musst, wie es geht:

Skill: jd-ersteller
Generiert Stellenbeschreibungen nach eurem internen Format. Zieht Competency-Daten aus der Datenbank. Prüft auf Bias-Signalwörter. Gibt eine fertige Vorlage zurück, ohne Improvisation.

Skill: onboarding-checkliste
Erstellt individuelle Onboarding-Pläne auf Basis von Rolle, Standort und Team. Koordiniert Slack-Nachrichten, Kalendereinträge und Systemzugänge über mehrere MCP-Verbindungen hinweg.

Skill: hr-reporting-monthly
Zieht Daten aus HRIS und ATS, berechnet KPIs nach eurer definierten Logik, schreibt einen strukturierten Bericht im Unternehmensformat, reproduzierbar, jeden Monat identisch.

Skill: interview-auswertung
Nimmt strukturierte Interviewnotizen entgegen, mappt sie auf ein Kompetenzraster, gibt eine standardisierte Einschätzung aus, nicht als Entscheidungsersatz, sondern als Entscheidungsunterstützung.

Skill: employer-branding-content
Hier kommt ein aktuelles Produkt ins Spiel: Claude Design (seit April 2026 in Research Preview verfügbar) ist Anthropics visuelle Arbeitsumgebung und kein Bildgenerator, sondern ein Prototyping-Werkzeug für Präsentationen, Landingpages und Marketingmaterialien per Konversation.

Ein Skill kann dann zum Beispiel diesen Workflow steuern: Er nimmt Briefing-Parameter entgegen (Zielgruppe, Rolle, Kanal), übergibt sie strukturiert an Claude Design, und gibt ein fertiges Entwurfspaket zurück für verschiedene Employer Branding Assets wie Slide-Deck, One-Pager oder Social-Media-Asset. Diese gehen direkt ins Review ohne Designabteilung im Loop für jede erste Version zu benötigen. Denn das Brand Template und die Brand-Voice sind auch im Skill hinterlegt.

Das ist kein Spielzeug für Early Adopters. Das ist die Produktionslogik, die gerade entsteht. Denn Du brauchst dann für all diese Anwendungsbeispiele keine einzelnen Mini-Bots mehr, sondern ein Coding Agent kann all diese verschiedenen Aufgaben auf Basis der von Dir hinterlegten Skills erledigen.

Was all diese Skills gemeinsam haben: Sie sind bestenfalls versioniert, wiederverwendbar und nicht an einen bestimmten Agenten gebunden. Du kannst sie von Claude zu Cursor zu einem internen System portieren, ohne die Logik neu zu bauen.

Warum sind Agent Skills gerade für HR so wichtig?

HR ist in vielen Teilen wiederholbar. Das klingt ernüchternd. Ist aber tatsächlich ein strategischer Vorteil.

Prozesse wie Recruiting, Onboarding, Reporting, Leistungsbewertung und deren Teilprozesse folgen Mustern. Immer wieder. Mit Variationen nach Land, Jobgruppe, oder Geschäftsfeld, aber strukturell oft sehr ähnlich. Genau dafür sind Agent Skills gemacht. Nicht für das einmalige, kreative Problem. Sondern für das, was ihr jeden Monat, jede Woche, jeden Einstellungszyklus erledigt.

Ein gut gebauter Skill macht aus einem guten Agenten einen zuverlässigen Prozess-Assistenten. Das ist der Unterschied zwischen „wir haben mal einen Bot ausprobiert” und „unsere HR-Workflows laufen mit KI-Beteiligung jetzt besser.”

Anthropic hat im April 2026 Claude Routines für Claude Code in Research Preview gestartet und das verändert die gesamte Gleichung nochmal grundlegend.

Ein Routine ist ein gespeicherter Agent-Workflow: Prompt, Repository, Connectors, der einmal konfiguriert, dann automatisch nach einem Zeitplan oder basierend auf Prozess-Triggern ausgeführt werden kann. Oder ausgelöst durch externe Events wie einen eingehenden Datenpunkt.

Kein Server, den du pflegen musst. Kein Laptop, der offen sein muss. Läuft auf Anthropics Infrastruktur oder, wenn du das umsetzten kannst, auf deiner internen Infrastruktur.

Für HR bedeutet das: Dein hr-reporting-monthly-Skill wird nicht mehr manuell angestoßen. Er läuft am ersten Montag des Monats. Automatisch. Reproduzierbar. Und das Ergebnis landet dort, wo es hingehört. Und ja, natürlich kannst Du die Skills und Workflows zu konzipieren, dass Du mehrfach im Loop bist.

Skills definieren das Was und Wie. Routines definieren das Wann.

Das ist der Schritt von „KI-Tool” zu „KI-Prozess.” Und der ist fundamental anders.

🎓 Wenn du wissen willst, wie du KI-Tools konkret im HR einsetzt, nicht nur theoretisch, sondern mit echtem Mehrwert für Dein HR. Dann ist mein Kurs „GenAI-Führerschein für HR” der richtige Einstieg. Über 450 HR-Profis haben ihn absolviert. Auch für ganze HR-Teams geeignet.

Jetzt KI-Reise starten!

👉 Abonniere die Bezahlversion Montagsmaschine+, um den Step-by-Step Guide zum Aufbau deines ersten HR Agent Skills zu lesen, inklusive vollständiger Dateistruktur, SKILL.md-Vorlage und konkretem HR-Beispiel.

[Montagsmaschine+] So baust Du deinen ersten HR Agent Skill

Mini-Micro-Win für diese Woche: Einen funktionsfähigen Agent Skill für einen HR-Prozess deiner Wahl aufsetzen — in unter einer Stunde.

Du brauchst dafür: einen Texteditor, Claude Code oder Cursor, und einen konkreten HR-Prozess, den du automatisieren willst.

Schritt 1: Wähle einen Prozess als Lösung für ein Problem

⬇️ Die Paid-Inhalte sind nur einen Klick entfernt ⬇️

Read more

✅ Warum die meisten HR-KI-Projekte kein Tooling-, sondern ein Design-Problem haben
✅ Wie du aus dem Prinzip „KI entfernt Friction, Menschen schaffen Belonging” einen echten Workflow baust (Paid)

⚙️ Der Impuls der Woche: Der unsichtbare Split, der alles entscheidet

Ich habe in den letzten Monaten eine ganze Reihe HR-KI-Projekte gesehen oder mit Firmen besprochen. Manche fliegen. Die meisten nicht. Und nein, es liegt fast nie am Tool.

Die erfolgreichen Projekte haben etwas gemeinsam, was die gescheiterten nicht haben: einen klaren Rollen-Split zwischen Mensch und KI.

Klingt sehr banal. Ist aus meiner Sicht aber der unterschätzteste Hebel im HR-KI-Stack. Denn es ist aufwendig, diesen Split wirklich sinnvoll umzusetzen. Und man kann sowas nicht einfach von der Stange kaufen. Es muss zu Deinem Kontext passen.

Die verbreitete Annahme über KI im HR

„Wir brauchen einen HR-Chatbot, der alles kann.” Oder etwas moderner:

„Wir bauen einen “Copilot”, der neue Mitarbeitende durchs automatisch Onboarding führt, von Day 1 bis Tag 100.”

Das klingt nach Zukunft und Fortschritt. Ist in der Praxis aber ein Mega-Bot, der alles ein bisschen kann und nichts richtig.

Das Ergebnis: Die Bewerbenden und späteren Neuankömmlinge fühlen sich durch einen Automaten geschleust. HR verliert Kontrolle. Manager*innen delegieren Verantwortung an ein Interface und letztlich fühlt sich niemand wirklich zugehörig.

Das Problem ist nicht die KI. Das Problem ist das Prozess-Design.

Das Design-Prinzip für HR-KI, das funktioniert

Ich arbeite seit einer Weile mit einem einfachen Leitsatz, der sich erstaunlich robust erweist:

🤖 KI entfernt Friction. 🤝 Menschen schaffen Belonging.

Die KI übernimmt alles, was Reibung erzeugt: Koordination, Erinnerungen, Standard-Antworten, Provisioning, Tracking, Reporting. Das macht nicht alles eine KI, sondern eine Reihe von Workflows, die teilweise auch einfach nur auf Automatisierung setzen.

Der Mensch konzentriert sich auf das, was Maschinen nicht können: Vertrauen aufbauen, Kultur vermitteln, Performance ganzheitlich beurteilen, Erwartungen verhandeln, heikle Gespräche führen.

Zwei Sätze. Aber sie verändern, wie du Workflows baust.

Beispiel: Das Onboarding Operating System (OS)

Um das konkret zu machen, hier ein Workflow, an dem ich das Prinzip mal beispielhaft durchgespielt habe. Ein hypothetisches Onboarding OS mit 10 spezialisierten Agenten und einer klaren Aufgabenteilung über 5 Phasen.

Kein Mega-Bot. Spezialisten mit klaren Grenzen.

Phase 1: Offer Accepted
Die KI legt Mitarbeiterprofil an, bestimmt Journey-Typ, entwirft Welcome-Mail, baut ersten Kalender, triggert IT-Provisioning. Mensch prüft Tonalität, bestätigt Sonderfälle, gibt Zugänge frei.

Phase 2: Preboarding
Die KI versendet Welcome-Hub, beantwortet FAQs 24/7, sammelt fehlende Dokumente, trackt Hardware-Versand. Der menschliche Buddy schickt eine persönliche Nachricht. Die Managerin nimmt ein kurzes Voice-Memo oder Welcome-Video auf.

Phase 3: Day 1
Die KI bereitet Talking Points für die Managerin für das Welcome-Meeting vor: Mission, Erfolg, Kultur. Führt durch Agenda, liefert Who’s-Who, bestätigt kritisches Setup. Die Managerin führt das Gespräch. Der Buddy lädt zum Lunch ein. Das Team begrüßt die neue Kollegin persönlich.

Phase 4: Woche 1
Die KI strukturiert die Woche, schlägt der Managerin 1:1-Fragen vor, erkennt fehlende Meetings mit Stakeholdern, flaggt wiederholte unbeantwortete Fragen. Die Managerin führt tägliche Check-ins. Das Urteilsvermögen für den Verlauf des Onboardings bleibt beim Menschen.

Phase 5: Tag 30 / 60 / 90
Die KI erstellt einen Review-Summary, identifiziert fehlende Stakeholder-Beziehungen, sammelt 360°-Feedback, trackt Time-to-Productivity (in Jobs, wo das möglich ist). Die Managerin führt die Gespräche und auch das Performance-Urteil bleibt menschlich und kann natürlich die KI “überstimmen” bzw. auch dem Review-Summary widersprechen.

Jeder Agent hat einen Job. Jeder Mensch hat eine klare Rolle. Und dazwischen steht ein Orchestrator, der koordiniert, aber nicht entscheidet.

So kann Dein zukünftiges HR-Setup aussehen, denn Du Dich jetzt auf den Weg machst. Aber, Du kannst Dir dabei zugleich viel Zeit und Ärger sparen, wenn Du die folgenden Fehler vermeidest.

Drei Anti-Patterns, die ich immer wieder sehe

KI macht zu viel. KI führt das Welcome-Gespräch am ersten Tag. Neue Mitarbeitende fühlen sich wie in einer Bot-Experience. Besser: KI bereitet Talking Points vor, der Manager führt das Gespräch.

Mensch macht zu viel. HR beantwortet gefühlt 200 Standard-Fragen manuell pro Monat. Verzögerungen, Inkonsistenzen, HR-Burnout. Besser: Ein Knowledge Agent beantwortet sofort aus geprüften Quellen, 24/7.

Keine klare Trennung. Ein Mega-Chatbot soll alles können, von IT-Tickets bis Kultur. Weder Friction-Reduktion noch Belonging gelingt wirklich. Besser: Spezialisierte Agenten mit klaren Grenzen + Menschen mit klaren Rollen.

Welche zentrale Frage für jede HR-KI-Initiative gilt

Onboarding ist nur mein gewähltes Beispiel, um das Prinzip vom Anfang zu erklären. Das Prinzip gilt für alle Bereiche im Recruiting, Development, Performance Management oder Offboarding. Setze es überall dort ein, wo Mensch und KI gemeinsam an einem Prozess arbeiten.

Die richtige Frage ist nie: „Was kann die KI übernehmen?”

Sondern: „Wo erzeugt unser Prozess Friction und wo braucht es Belonging?”

Die Reduktion von Friction gehört der KI. Das Aufbauen von Belonging gehört den Menschen.

Die beste HR-KI ist unsichtbar wenn sie koordiniert, sichtbar wenn sie hilft, und still wenn Menschen führen sollten.

🎓 Wenn du lernen willst, wie man genau solche Workflows selbst konzipiert —

💡 In meinem Kurs „ChatGPT-Führerschein für HR” baust du dir dein Fundament: Prompting, Mini-GPTs, Workflow-Design. Kein generisches AI-101, sondern HR-spezifisch mit direkt anwendbaren Use Cases.

👉 Jetzt lernen!

👉 Abonniere die Bezahlversion Montagsmaschine+, um den Umsetzungs-Guide zu lesen, Fragen zu diskutieren und Templates auszutauschen.

⬇️ Die Paid-Inhalte sind nur einen Klick entfernt ⬇️

🔧 Mini-Micro-Win für diese Woche: Der Friction/Belonging-Audit

Bevor du eine Zeile Code schreiben lässt oder ein Tool einkaufst, mach diesen kleinen Audit mit Deinem Team. Dauer: ca. 60 Minuten. Materialkosten: null.

Read more

⚙️ Der Impuls der Woche: KI-Erfolg kauft man nicht. Man erbt ihn von sich selbst von gestern.

Jede Woche höre ich denselben Satz.

„Wir müssen jetzt schnell auf den KI-Zug aufspringen.”

Klingt richtig. Klingt dringend. Ist aber nur die halbe Wahrheit.

Denn KI-Erfolg ist kein Kaltstart. Er ist das Ergebnis von allem, was Du vorher aufgebaut hast. Oder eben nicht.

Ich nenne das Prinzip dahinter: Compound Interest.

Aus der Finanzwelt kennst Du den Zinseszins. Kleine, regelmäßige Investitionen wachsen exponentiell. Nicht weil ein einzelner Betrag groß ist, sondern weil jeder Ertrag auf dem vorherigen aufbaut.

In HR funktioniert das genauso. Nur spricht darüber keiner.
Okay. Außer mir. Deshalb schreib’ ich’s auf. Für Dich.

Wer über Jahre hinweg in strategisches HRM, digitale Prozesse, Daten-Kompetenz und echte Mitarbeiterorientierung investiert hat, sitzt heute auf einem Fundament, das KI erst richtig wirksam macht.

Wer das nicht hat, dem fehlt nicht ein Tool. Dem fehlen Jahrzehnte.

Die Zahlen bestätigen das Bild.

Das MIT hat in 2025 einen Report rausgebracht, bei dem 95% aller KI-Projekte noch keinen ROI abwerfen. Das ist, so mein Argument, keine Technologie-Frage. Das ist eine Reife-Frage. Nicht-technische Hürden liegen vor. Also: Prozesse, Kultur, Datenqualität, Vertrauen.

Genau die Dinge, die man nicht in drei Monaten aufbaut. Und daher ist eine ROI-Messung halt auch dumm.

Und hier wird es spannend. Denn viele Firmen haben KI bereits im Einsatz. Aber nur wenige Firmen bauen ihre Prozesse vorher um oder haben eine saubere Dokumentation ihrer Prozesse am Start.

Das heißt: Die meisten schrauben KI auf kaputte Prozesse drauf.

Das ist wie eine Turbo-Aufladung auf einen Motor ohne Ölwechsel. Es wird schneller, aber nicht besser. Und irgendwann knallt’s.

Meine These: Nachhaltiger KI-Erfolg entsteht durch Compound Interest in vier Säulen und nur in dieser Kombination.

Säule 1: Strategisches HRM (3-Säulen-Modell) Wer HR als strategischen Partner aufgestellt hat mit klarer Governance, definierten Rollen und einer sauberen Trennung zwischen Shared Services, CoEs und Business Partnering hat die Struktur, in die sich KI einfügt. Ohne diese Struktur automatisierst Du Chaos.

Säule 2: Digitales HR (Digitale Transformation) Wer seine HR-Prozesse digitalisiert hat, mit SOPs, sauberen Workflows und integrierten Systemen, hat die Infrastruktur, die KI-Agenten brauchen. Kein Agent der Welt hilft Dir, wenn Deine Daten in 17 Excel-Sheets und 4 Insellösungen liegen.

Säule 3: Datenbasiertes HR (People Analytics) Wer Datenqualität ernst genommen hat und Entscheidungen evidenzbasiert trifft, hat die Feedbackschleifen, die KI braucht. KI ohne gute Daten ist Raten mit Extra-Schritten.

Säule 4: Menschenorientiertes HR Und wer ein offenes Ohr für die Enduser hat, die Mitarbeitenden, hat etwas, das kein Tool ersetzen kann: Vertrauen. Das Vertrauen, Schmerzpunkte ehrlich zu äußern. Das Vertrauen, neue Technologie auszuprobieren, ohne Angst vor Überwachung. Das Vertrauen, das Change erst möglich macht.

Jetzt kommt nämlich der Clou. Unternehmen, die bei der KI-Adoption vorne liegen, sehe eine stabile Korrelation zur Art und Weise mit der sie HR aktiv einbinden, wenn es darum geht, Aufgaben zu identifizieren, die für Automatisierung geeignet sind (Zoppelletto et al. 2026).

Das ist kein Zufall. Das ist Compound Interest in Aktion.

Diese Unternehmen haben über Jahre HR in strategische Entscheidungen einbezogen. Jetzt zahlt sich das aus, weil HR die Prozesse kennt, die Enduser versteht und die Daten liefern kann.

Die unbequeme Wahrheit also:
Dein KI-Erfolg von heute wurde vor 10 Jahren entschieden.

Als Du Dich entschieden hast, HR-Prozesse sauber zu dokumentieren, oder eben nicht. Als Du Dich entschieden hast, in Datenqualität zu investieren, oder eben nicht. Als Du Dich entschieden hast, echtes Feedback von Mitarbeitenden einzuholen, oder eben nicht.

Und das ist gleichzeitig die gute Nachricht.

Denn genau diese Pfadabhängigkeit ist Dein Burggraben. Deine Wettbewerber können sich ein KI-Tool kaufen. Aber sie können sich nicht jahrzehntelang gewachsene, gut strukturierte HR-Prozesse, integrierte Datenplattformen und eine offene Vertrauenskultur kaufen.

Compound Interest in HR ist der nachhaltigste Wettbewerbsvorteil, den Du hast. Weil ihn niemand auf die Schnelle kopieren kann.

🎓 Du willst den Einstieg ins KI-Thema finden, aber praxisnah und ohne Buzzword-Bingo?

💡 In meinem Kurs „ChatGPT-Führerschein für HR” baust Du Deine ersten hilfreichen Mini-GPTs und lernst, KI systematisch in Deinen HR-Alltag zu integrieren. Kein Hype. Sondern echte erste Schritte, die auf Deinem bestehenden HR-Wissen aufbauen.

Das ist der Unterschied zwischen Hype-Follower und kompetenter HR-Person.

Jetzt lernen!

👉 Abonniere die Bezahlversion Montagsmaschine+, um die konkreten Prompts, Templates und die Schritt-für-Schritt-Anleitungen zum Nachbauen zu erhalten.

⬇️ Die Paid-Inhalte sind nur einen Klick entfernt ⬇️

Mini-Micro-Win für diese Woche: Der 4-Säulen-Quick-Check

Bevor Du in das nächste KI-Tool investierst, nimm Dir 15 Minuten für diesen Selbst-Check. Er zeigt Dir, wo Dein Compound Interest schon wirkt und wo Du nachsteuern musst.

Read more

🚀 Diese Woche für dich:
✅ Mein kompletter Workflow: Von der Creator-Analyse zum fertigen April-Contentplan, Schritt für Schritt
✅ Die konkreten Prompts und das Notion-Setup zum Nachbauen (Montagsmaschine+)

⚙️ Der Case der Woche: LinkedIn-Content-Strategie mit KI bauen

Ich wollte wissen, was die erfolgreichsten AI-Creator auf LinkedIn anders machen als ich.

Nicht aus Neid. Sondern aus Neugier. Und weil ich einen konkreten Content-Plan für April brauchte, aber keine Lust hatte, drei Tage lang Profile zu durchforsten und Excel-Tabellen zu füllen.

Also habe ich es anders gemacht.

Ich habe den gesamten Prozess mit KI erledigt. Von der Recherche über die Analyse bis zum fertigen Contentplan in Notion. Zwei Tools. 90 Minuten. 26 fertige Post-Entwürfe.

Hier ist der Workflow, der zu diesem Ergebnis geführt haben.

Schritt 1: Die richtigen Creator auswählen

Bevor KI irgendetwas analysieren kann, braucht sie einen klaren Auftrag. Mein Briefing war simpel:

„Analysiere die Content-Strategie der drei größten LinkedIn-Creator im Bereich AI. Fokus: Hook-Muster, Formate, CTA-Strategien, Narrations-Stil. Ziel: Muster identifizieren, die ich für mein HR-AI-Segment adaptieren kann.”

Meine Auswahl: Ruben Hassid (801K Follower), Pascal Bornet (1,52M Follower) und Ethan Mollick (382K Follower). Drei fundamental unterschiedliche Ansätze. Genau das wollte ich.

Hassid ist der taktische How-To-Typ. Bornet der globale Thought-Leader. Mollick der nachdenkliche Akademiker.

Alle drei erfolgreich. Alle drei mit komplett verschiedenen Strategien.

Schritt 2: Live-Daten sammeln und analysieren

Hier wird es spannend. Ich habe Claude in Cowork genutzt, mit direktem Zugriff auf die LinkedIn-Profile über das Chrome MCP Feature. Kein manuelles Scrollen. Kein Copy-Paste. Claude öffnet meinen Browser und beginnt die Recherche.

Was Claude für jeden Creator erfasst hat:

• Die letzten 4–5 Posts mit Reaktionen, Kommentaren, Reposts

• Hook-Formulierungen und wiederkehrende Muster

• Dominantes Format (Text, Bild, Video, Carousel)

• CTA-Strategie (Newsletter, Kurs, Website, gar nichts)

• Narrations-Stil und Tonalität

Das Ergebnis: Ein 8-seitiger Competitive Intelligence Report als PDF. Automatisch formatiert, mit Engagement-Tabellen und Takeaway-Boxen.

Zeitaufwand bis hier: ca. 30 Minuten.

Schritt 3: Muster erkennen, die überraschenden Findings

Drei Dinge habe ich nicht erwartet:

1. Hashtags schaden, außer du hast 1,5 Millionen Follower. Bornet nutzt 5–12 Hashtags pro Post. Das widerspricht den 360Brew-Algorithmus-Daten, die zeigen, dass >3 Hashtags die Reichweite um bis zu 70% senken. Bornets Erklärung ist einfach: Bei 1,52M Followern spielt der Algorithmus eine andere Rolle. Für Creator unter 100K? Finger weg.

2. Der Anti-Hype-Creator gewinnt die Debate. Mollick macht quasi alles „falsch”: kein Bild, keine Emojis, keine CTAs, keine Hashtags. Reiner Text. Und trotzdem: Sein bester Post hatte 1.187 Reaktionen. Warum? Weil seine Hooks intellektuell provozieren, statt Ergebnisse zu versprechen. „If companies are not failing at all with AI, it’s a sign that…”. Das ist ein Gedanke, kein Clickbait.

3. Hassid verkauft kein Wissen, er verkauft Abkürzungen. Jeder Post hat ein numerisches Versprechen: „How to set up Claude in just 1 day”, „9 ridiculously good tools”. Kein Hintergrund, kein Kontext, sondern direkt das Ergebnis. Median: 1.262 Reaktionen pro Post. Das funktioniert, weil sein Publikum Taktik sucht, keine Strategie.

Schritt 4: Strategische Ableitung = was ich davon mitnehme

Aus der Analyse habe ich ein Hybrid-Modell für mein DACH-HR-Segment abgeleitet:

Von Hassid adoptieren: Konkrete How-Tos und Tool-Tutorials für HR. Numerische Hooks. Immer ein visuelles Element.

Von Mollick adoptieren: Provokante Thesen und Unexpected Angles. Intellektuelle Reibung statt Clickbait. Daten vor Meinung.

Von Bornet NICHT kopieren: Der globale Thought-Leader-Stil passt nicht zur DACH-Nische. Und sein Hashtag-Ansatz würde meine Reichweite killen.

Der empfohlene Format-Mix:

• 40% Infografiken + Carousels (Reichweite + Saves)

• 25% Text-Posts mit These (Debate + Reposts)

• 20% Carousel Deep-Dives

• 10% Video (Trust-Building)

• 5% Newsletter-Artikel

Schritt 5: Vom Muster zum Monats-Contentplan in Notion

Jetzt der Teil, der manuell am längsten gedauert hätte.

Ich habe Claude den Auftrag gegeben, aus der Analyse einen konkreten Contentplan für April 2026 abzuleiten. Mit diesen Constraints:

• 26 Posts, verteilt auf 5 Wochen

• Fester Posting-Rhythmus (Mo: Newsletter-Teaser, Di: Infografik, Mi: Text-Post, Do: Carousel, Fr: Story, So: Infografik)

• Drei Events integrieren (AI Conference, HeyJobs Webinar, Voices 2026)

• CTA-Verteilung: 13x Montagsmaschine, 8x ChatGPT-Führerschein, Rest Event-Links

• Keine NDA-Cases, nur öffentlich recherchierbare Case Studies

Claude hat nicht nur die 26 Post-Ideen generiert. Über die Notion-Integration hat es jeden Eintrag direkt in meine bestehende Content-Datenbank geschrieben mit Hook, Post-Entwurf, Format-Tag, CTA-Link und Quellen.

Zeitaufwand für den gesamten Contentplan: ca. 45 Minuten.

Zum Vergleich: Letztes Jahr habe ich für einen vergleichbaren Plan gut 8 Stunden gebraucht. Recherche, Brainstorming, Strukturierung, Notion-Einpflege alles manuell.

Schritt 6: Case Studies automatisch recherchieren

Ein besonderer Aspekt: Ich wollte für die Posts echte Unternehmens-Cases statt theoretischer Argumente. Aber keine, bei denen ich unter NDA stehe.

Claude hat sechs öffentlich dokumentierte Cases recherchiert und aufbereitet:

• Klarna: 700 Jobs durch AI ersetzt, dann wieder eingestellt. CEO gab zu: „Zu aggressiv.”

• Stanford Health Care: HR-Tickets um 96% reduziert durch AI-Chatbot.

• Beacon Mobility: AI Agent löst 60% aller HR-Anfragen bei 18.000 Mitarbeitenden.

• AMD: 80% schnellere Anfragebearbeitung mit AI HR Agent.

• IBM: 200 HR-Jobs gestrichen durch AI.

• LinkedIn UK: Recruiting Agent spart einen vollen Arbeitstag pro Woche.

Jede Case Study mit Quelle, Zahlen und HR-Einordnung. Direkt in die jeweiligen Notion-Einträge integriert.

Was ich daraus lerne und was du daraus mitnehmen kannst

Dieser Workflow ist kein Flex. Er ist ein Beispiel dafür, was passiert, wenn du KI nicht für eine einzelne Aufgabe nutzt, sondern für eine zusammenhängende Prozesskette:

Recherche → Analyse → Mustererkennung → Strategieableitung → Contentplanung → Datenbank-Integration.

Jeder dieser Schritte ist einzeln machbar. Aber die Magie liegt in der Verkettung. Claude hat den Kontext über alle Schritte hinweg behalten. Das Ergebnis aus Schritt 2 hat direkt Schritt 4 informiert. Die Cases aus Schritt 6 sind in die Posts aus Schritt 5 eingeflossen.

Das ist der Unterschied zwischen „KI als Schreibassistent” und „KI als Arbeitspartner”.

Und ja, bevor jemand fragt: Natürlich habe ich den Output einem ersten Review unterzogen, geschärft und angepasst. KI ersetzt nicht die redaktionelle Entscheidung. Aber sie hat mir 6+ Stunden Fleißarbeit erspart.

🎓 In meinem Kurs „ChatGPT-Führerschein für HR” lernst du, solche Prozessketten für deinen HR-Alltag aufzubauen. Nicht nur einzelne Prompts, sondern zusammenhängende Workflows, die dir echte Zeit sparen.

💡 Über 500 HR-Profis haben an dem Kurs bereits teilgenommen.

Das ist der Unterschied zwischen Hype-Follower und kompetenter HR-Person.

Jetzt lernen!

👉 Abonniere die Bezahlversion Montagsmaschine+, um die konkreten Prompts, das Notion-Template und die Schritt-für-Schritt-Anleitung zum Nachbauen zu erhalten.

⬇️ Die Paid-Inhalte sind nur einen Klick entfernt ⬇️

Read more

⚙️ Der Impuls der Woche: Warum die meisten am KI-Lernen scheitern, obwohl alles da ist

Ich werde das jede Woche gefragt. Mindestens einmal.

„Dan, wo fange ich mit dem KI-Thema an?”

Und ich verstehe die Frage. Wirklich.

Das Angebot ist absurd. Stanford hat Kurse. Harvard hat Kurse. Google hat Kurse. Andrew Ng hat gefühlt mehr Kurse als manche Universitäten Studiengänge. Andrej Karpathy erklärt auf YouTube in einer Stunde, was ChatGPT wirklich ist.

Alles kostenlos.

Und trotzdem höre ich die Frage weiter. Jede Woche.

Das Problem ist nicht das fehlende Angebot. Das Problem ist die fehlende Orientierung. Die fehlende Einordnung: Was ist für mich relevant? Was kann ich überspringen? Wo fange ich an, wenn ich keine Informatikerin bin, aber trotzdem mitreden und vor allem mitgestalten will?

Genau dafür habe ich meinen AI Resource Guide zusammengestellt. Keine Link-Sammlung. Keine „Top 50 AI Courses 2026”-Liste, die so generisch ist, dass sie keinem hilft. Sondern: eine kuratierte, eingeordnete Auswahl von Kursen, Büchern und Podcasts. Das Ding ist sortiert nach Einstiegslevel und Tiefe. Mit meiner persönlichen Einschätzung zu jeder einzelnen Ressource.

Heute teile ich den Kurs-Teil mit Dir. Frei. Vollständig. Der gesamte Guide ist nur für meine +-Abonnent*innen kostenlos und wird hinter der Paywall dieser Auflage geteilt.

Die besten KI-Kurse kosten nichts. Wirklich.

Das klingt nach Marketing-Satz. Ist aber ein Fakt.

Die weltweit besten KI-Kurse kommen von Stanford, Harvard, Google, DeepLearning.AI und sie sind kostenlos zugänglich. Kein Paywall. Kein „Freemium mit dem wichtigsten Teil hinter der Wand”. Einfach frei.

Hier meine Auswahl, nach Einstiegslevel sortiert:

Einstieg (kein Vorwissen nötig):

Elements of AI University of Helsinki & MinnaLearn:
KI ohne Mathe, ohne Code. Über 2 Millionen Menschen haben diesen Kurs gemacht. Er erklärt ML, neuronale Netze und Bayes’sche Wahrscheinlichkeit in klaren, interaktiven Modulen. In 26 Sprachen verfügbar. Wer eine solide Basis ohne technische Vorkenntnisse will: hier anfangen.
Kostenlos · ~30 Stunden · Selbstgesteuert

AI for Everyone Andrew Ng / Coursera:
Andrew Ng ist der beste Erklärer in der KI-Welt. Dieser Kurs richtet sich an nicht-technische Fachleute und vermittelt in ca. 6 Stunden eine solide Grundlage: Was KI kann, was nicht, und wie man als Organisation darüber nachdenkt.
Kostenlos (Als Audit-Version, 40€ wenn Du ein Zertifikat willst) · ~6 Stunden

Generative AI (für Nicht-Techniker):

Generative AI for Everyone Andrew Ng / Coursera:
Die aktualisierte Ergänzung zu „AI for Everyone”, komplett auf generative KI fokussiert. Erklärt, wie LLMs funktionieren, was Prompt Engineering ist und wo die echten Business-Anwendungen liegen. Besonders nützlich für Führungskräfte.
Kostenlos (Audit) · ~8 Stunden

Prompt Engineering for Developers DeepLearning.AI & OpenAI
Der praktischste Kurzlehrgang zu Prompt Engineering. In Zusammenarbeit mit OpenAI entwickelt. Etwa eine Stunde fokussierter Inhalt. Lohnt sich für alle, die regelmäßig mit LLMs arbeiten und deutlich bessere Ergebnisse wollen.
Kostenlos · ~1 Stunde

Intro to Large Language Models Andrej Karpathy
Ein Video. Eine Stunde. Und danach verstehst Du wirklich, was ChatGPT ist, nicht die Marketing-Version, die echte. Karpathy (ex-OpenAI, ex-Tesla AI Lead) erklärt LLMs mit einer Klarheit, die man sonst kaum findet. Für mich: die beste einzelne Stunde, die man in das Verständnis der Technologie investieren kann.
Kostenlos · ~1 Stunde · YouTube

Machine Learning (für Ambitionierte):

Google Machine Learning Crash Course:
15 Stunden, komplett kostenlos, jetzt mit LLM-Inhalten aktualisiert. Google hat das als internes Trainingsmaterial gebaut und dann öffentlich gemacht. Interaktive Übungen, echte Beispiele. Die beste Option für eine strukturierte, praxisnahe ML-Grundlage.
Kostenlos · ~15 Stunden

Machine Learning Specialization Andrew Ng / Stanford / Coursera:
Der Goldstandard. Drei Kurse, die ML von Grund auf mit Hands-on-Übungen in Python erklären. Anspruchsvoll, aber es lohnt sich. Nicht für alle nötig — aber unverzichtbar, wenn Du technische Gespräche führen oder selbst bauen willst.
Kostenlos (Audit) · ~3 Monate · 9h/Woche

Fortgeschritten (Computer-Science-Niveau):

CS50’s Introduction to AI with Python: Harvard / edX
Harvards legendärer CS50, fokussiert auf KI. Suchalgorithmen, Wissensrepräsentation, Optimierung, ML und Reinforcement Learning — alles mit Python-Projekten.
Kostenlos · ~7 Wochen

An Introduction to Statistical Learning (ISLR) — Stanford Die mathematische Grundlage hinter Machine Learning. Ich habe den Kurs 2015 gemacht und profitiere heute noch davon. Das Textbuch ist kostenlos online. Nicht leicht — aber die Art von Tiefe, die den Unterschied macht zwischen „KI nutzen” und „KI verstehen”.
Kostenlos · Textbuch + Vorlesungsvideos

Transformers & Large Language Models (CS25) — Stanford Unter der Haube von GPT. Transformer-Architektur, Attention-Mechanismen, Training, Fine-Tuning, RLHF. Technisch das anspruchsvollste auf dieser Liste. Aber wenn Du wirklich verstehen willst, wie GPT-4 und Claude auf Architektur-Ebene funktionieren: das ist der Ort.
Kostenlos · Graduate-Level

Bonus: Ethan Mollicks Newsletter One Useful Thing auf Substack. Kein Kurs im klassischen Sinn, aber der beste laufende Lernkanal für KI im Arbeitskontext. Lies ihn regelmäßig — und Du bist besser informiert als 90% der Leute, die „KI-Kurse gemacht” haben.

🎓 Mein eigener Beitrag zum Thema: 💡 In meinem Kurs „ChatGPT-Führerschein für HR” findest Du Deinen praxisnahen Einstieg ins KI-Thema, speziell für HR-Profis. Du baust dort erste hilfreiche Mini-GPTs 😉 und lernst, wie Du KI-Tools strategisch in Deinem HR-Alltag einsetzt. Über 450 HR-Profis haben den Kurs bereits absolviert.

Das ist der Unterschied zwischen Hype-Follower und kompetenter HR-Person.

Jetzt lernen!

Die Kurse sind also da. Die Frage ist nur: Wo genau fängst Du an?

Mein Rat:

Wenn Du null Vorwissen hast → Elements of AI oder AI for Everyone. Beide bringen Dich in wenigen Stunden auf ein solides Grundniveau.

Wenn Du ChatGPT schon nutzt, aber das „Warum” besser verstehen willst → Karpathys Video + Prompt Engineering for Developers. Zwei Stunden, massiver Impact.

Wenn Du tiefer einsteigen willst → Google ML Crash Course als strukturierten Einstieg. Danach Andrew Ngs ML Specialization, wenn Du dranbleiben willst.

Wenn Du wirklich unter die Haube schauen willst → CS50 AI, ISLR, Stanford CS25. Das ist kein Sonntagsspaziergang, aber es ist das, was Dich langfristig von „KI-Nutzer*” zu wirklichem „KI-Versteher*in” macht.

👉 Abonniere die Bezahlversion Montagsmaschine+, um die besten Bücher und Podcasts zum KI-Thema zu lesen, ebenfalls kuratiert, eingeordnet und nach Einstiegslevel sortiert.

⬇️ Die Paid-Inhalte sind nur einen Klick entfernt ⬇️

Read more

🚀 Diese Woche für dich:

✅ Karpathys AI Job Exposure Map + Anthropics Nowcasting Report: Was die Daten wirklich sagen
✅ Montagsmaschine+: Warum ein KI-Tutor aktuell Pflicht für jedes HR-Team ist

⚙️ Der Impuls der Woche: KI kann viel, aber wofür wird sie wirklich genutzt?

Zwei Analysen haben diese Woche für Aufsehen gesorgt. Beide stellen die gleiche Frage: Welche Jobs kann KI heute schon erledigen?

Die Antwort ist unangenehm klar.

Andrej Karpathy, vielen als OpenAI-Mitgründer, Ex-Tesla-AI-Chef bekannt, hat 342 US-Berufe gegen aktuelle KI-Fähigkeiten gemappt. Sein Analyse vergibt für jeden Beruf einen Exposure-Score von 0 bis 10.

Das Ergebnis: Der gerichtete Durchschnitt liegt bei 4,9 von 10. Die gesamte US-Wirtschaft ist zur Hälfte exponiert.

Noch deutlicher: 42 % aller US-Jobs scoren bei 6 oder höher. Das sind 59,9 Millionen Arbeitsplätze.

Und ja. HR ist als Jobgruppe ebenfalls in der Analyse drin (siehe Screenshot). Unsere Jobgruppe ist zwar nicht tief rot (hohe “exposure”), aber ein sattes orange.

Wer am Bildschirm arbeitet, ist am stärksten betroffen. Medical Transcriptionists scoren eine glatte 10. Software Developer*innen, Datenanalyst*innen, Paralegals und Finanzanalyst*innen liegen bei 8–9. Wer hingegen physisch arbeitet, wie z.B., Dachdecker*innen, Elektriker*innen, Pfleger*innen, bleibt bei 0–3.

Die Faustregel ist brutal einfach: Je mehr Dein Job am Bildschirm stattfindet, desto höher ist Deine KI-Exposition.

Hier die interaktive Karte zum Selbst-Checken:
👉 Karpathys Webseite
👉 Interaktive US-Karte

Anthropic bestätigt das Muster und zeigt die Lücke

Fast zeitgleich hat Anthropic den Nowcasting Report veröffentlicht: Massenkoff & McCrory (2026).

Der Report führt ein ähnliches Maß ein: Observed Exposure. Es misst nicht nur, was KI theoretisch könnte, so wie bei Karpathy, sondern was in der Praxis heute bereits durch Claude automatisiert wird. Dafür kombiniert Anthropic drei Datenquellen: die O*NET-Jobdatenbank, Task-Level-Exposure-Schätzungen von Eloundou et al. (2023) und die eigenen Nutzungsdaten aus dem Anthropic Economic Index.

1. Theorie und Praxis klaffen massiv auseinander.

Das Radar-Chart im Report zeigt es eindrücklich. In Berufsfeldern wie Computer & Math liegt die theoretische KI-Abdeckung bei 94 %. Die tatsächliche, beobachtete Nutzung aber eben bei “nur” 33 %. Ähnlich bei Office & Admin theoretisch hoch, praktisch deutlich weniger angekommen.

2. Die am stärksten exponierten Jobs sind Schreibtischjobs.

Die Top 10 der Observed Exposure:

• Computer Programmers: 74,5 %

• Customer Service Representatives: 70,1 %

• Data Entry Keyers: 67,1 %

• Medical Record Specialists: 66,7 %

• Market Research Analysts: 64,8 %

• Sales Representatives: 62,8 %

• Financial Analysts: 57,2 %

Alles Bildschirmarbeit. Alles Wissensarbeit.

3. Junge Arbeitnehmer spüren es zuerst.

Der Report findet erste Hinweise, dass die Einstellungsrate für 22-25-Jährige in KI-exponierten Berufen seit 2022 sinkt. Um ca. 14 % im Vergleich zu nicht-exponierten Jobs. Noch knapp statistisch signifikant, aber nur ein Frühindikator.

4. Massenarbeitslosigkeit? Bisher nicht.

Es gibt keinen systematischen Anstieg der Arbeitslosenquote bei hoch exponierten Berufen. Die Daten zeigen: KI verändert aus meiner Sicht bisher eher wer eingestellt wird, nicht wer entlassen wird.

Was heißt das für HR?

Ich sage es direkt: KI ist nun endgültig kein abstraktes Zukunftsthema mehr.

Wenn Du in HR arbeitest, dann betrifft Dich das auf zwei Ebenen:

Erstens: Dein eigener Job.

HR ist zu großen Teilen auch Wissensarbeit am Bildschirm. Viele der Teiltätigkeiten von HR-Teams machen es zu einem moderat- bis hoch-exponierten Berufsfeld.

Konkret:

👉 Rechercheaufgaben zu regulatorischen oder strategischen Themen
👉 Erstellung und Zusammenfassung von Recherchen oder Branchenreports
👉 Themenbezogene Briefings und Entscheidungsvorlagen
👉 Schreib- und Kommunikationstätigkeiten mit internen und externen Zielgruppen
👉 Analysen und Dashboards erstellen sowie beschreiben
👉 Prozesse definieren und beschreiben
👉 Administrative Projekt- und Produktmanagementtätigkeiten

Das sind keine Nischen-Tasks. Das ist in Summe der Kern vieler HR-Rollen.

Zweitens: Die Menschen, die Du betreust.

Wenn 42 % der Jobs mindestens hoch exponiert sind, dann sitzt ein signifikanter Teil Deiner Belegschaft im Karpathy-Orangebereich. Die Frage „Wie bereiten wir unsere Leute vor?” ist nicht mehr optional.

Und genau hier wird es spannend.

Die eigentliche Erkenntnis aktueller KI-Impact-Analysen

Theoretisch können die Modelle in Schreibtischjobs der Wissensarbeiter viel abdecken. Praktisch bleibt die Adoption oft dennoch gering.

Das zeigt der Anthropic-Report eindrucksvoll: Die rote Fläche (tatsächliche Nutzung) ist ein Bruchteil der blauen (theoretische Fähigkeit).

Die spannende Frage wird sein, ob und wie schnell sich diese Lücke schließt.

Meine These: Sie wird sich schließen. Nicht schlagartig, aber stetig. Nicht durch einzelne Tools, sondern durch bessere Integration, einfachere Interfaces und, ja, vielleicht auch durch KI-Agenten, die Workflows end-to-end abbilden. Wobei ich bei letzterem ja sehr kritisch bin, wie Du weißt.

Wer jetzt anfängt, die eigenen Prozesse und die der Organisation auf KI-Readiness zu prüfen, hat einen Vorsprung. Wer wartet, bis die Lücke geschlossen ist, wird reagieren statt gestalten.

🎓 Deshalb habe ich einen Kurs der etwas anderen Art aufgesetzt.

💡 In meinem Kurs ChatGPT-Führerschein für HR findest Du Deinen Einstieg ins KI-Thema. Im Kurs baust Du erste hilfreiche Mini-GPTs 😉. Diese kannst Du dann z.B. nutzen, um solche Studien zu recherchieren und zu interpretieren. Sehr sinnvoller Use Case.

Das ist der Unterschied zwischen Hype-Follower und kompetenter HR-Person.

Jetzt lernen!

👉 Abonniere die Bezahlversion Montagsmaschine+, um diese zusätzlichen Details zu lesen, zu diskutieren und Tipps & Tricks auszutauschen.

💡Der konkrete Mini-Micro-Win für diese Woche: Dein persönlicher KI-Tutor

Jensen Huang, der CEO von NVIDIA, hat es kürzlich auf den Punkt gebracht:

„In the future, every employee will have an AI tutor.”

Das klingt nach Zukunftsmusik. Ist es aber nicht. Du kannst Dir heute einen bauen.

⬇️ Die Paid-Inhalte sind nur einen Klick entfernt ⬇️

Read more

⚙️ Der Impuls der Woche: Ich habe KI-Agenten falsch eingesetzt. Du wahrscheinlich auch.

Ich muss Dir etwas gestehen.

Ich habe monatelang versucht, für jede meiner Aufgabenbereiche einen eigenen KI-Agenten zu bauen. Einen für die Erstellung von LinkedIn-Posts. Einen für die Anfertigung von Präsentationen und Keynotes. Einen für meine Zielgruppenanalysen. Einen für die Erstellung von Onlinekursen. Einen für meine Kommunikation.

Klingt logisch, oder?

War aber ein Denkfehler.

Denn Aufgaben und Fähigkeiten sind nicht dasselbe. Und dieser Unterschied ist der Schlüssel, um KI wirklich sinnvoll einzusetzen nicht nur in meinem Alltag, sondern in jeder Jobgruppe.

Lass mich erklären.

Aufgaben vs. Skills: Ein Unterschied, den wir im Alltag vergessen

Stell Dir Deinen Arbeitstag vor. Du schreibst ein Konzept. Das ist die Aufgabe.

Aber welche Fähigkeiten brauchst Du dafür? Recherchieren. Strukturieren. Argumentieren. Visualisieren. Texten. Vielleicht sogar: Daten interpretieren und Stakeholder-Perspektiven antizipieren.

Eine einzige Aufgabe umfasst hier fünf bis sieben Fähigkeiten.

Jetzt dreh es um. Die Fähigkeit „Strukturieren” brauchst Du nicht nur für Konzepte. Sondern auch für Workshops. Für Präsentationen. Für Projektpläne.

Aufgaben sind einmalig. Skills sind wiederverwendbar. Das ist das notwendige Umdenken für die KI-Nutzung in 2026.

Das ist kein neues Konzept. In der HR-Welt reden wir seit Jahren über Skill-basierte Organisationen und Skill-basiertes Recruiting. Aber wenn es um den Einsatz von KI geht, vergessen die meisten genau dieses Prinzip.

Sie denken in Aufgaben. Nicht in Skills.

Mein Denkfehler: Ein Agent pro Aufgabe

Genau das war mein Fehler.

Ich habe für jede Aufgabe einen CustomGPT gebaut. Ein „Onlinekurs-GPT”. Ein „Newsletter-GPT”. Ein „LinkedIn-Post-GPT”.

Das Problem: Aufgaben sind komplex. Sie bestehen aus mehreren Fähigkeiten. Und ein Agent, der auf eine Aufgabe trainiert ist, kann nur diese eine Aufgabe. Er ist starr.

Wenn sich die Aufgabe leicht verändert, z.B. andere Datenquellen, anderes Format, anderer Kontext, dann muss ich einen neuen Agenten bauen. Oder den alten umbauen.

Das skaliert nicht.

Der Perspektivwechsel: Skills statt Aufgaben

Die bessere Frage ist nicht: „Welche Aufgaben habe ich?”

Sondern: „Welche Fähigkeiten brauche ich für meine Arbeit?”

Und genau hier wird es spannend. Denn Anthropic hat mit Claude Skills ein Konzept umgesetzt, das genau diese Denkweise abbildet.

Wenn Du mehr zu Claude Skills erfahren willst, habe ich ein Notebook erstellt, mit dem Du deine grundlegenden Fragen klären kannst.

Ein Skill in Claude ist kein fertiger Agent für eine Aufgabe. Es ist ein Fähigkeits-Baustein. Ein Modul mit Wissen und Können in einem bestimmten Bereich.

Beispiele:

• Ein Skill weiß, wie man professionelle PowerPoint-Dateien erstellt

• Ein anderer Skill kennt meinen Schreibstil

• Ein weiterer kennt meine Markenidentität und Brandvoice

• Ein vierter Skill beherrscht Datenanalyse in Excel

• Ein fünfter kann PDFs verarbeiten und erzeugen

Das Entscheidende: Claude zieht diese Skills je nach Bedarf flexibel hinzu und kombiniert sie.

Wenn ich sage: „Schreib eine neue Newsletter-Ausgabe” dann aktiviert Claude automatisch den Skill für meinen Schreibstil, den Skill für die Newsletter-Struktur und bei Bedarf den Skill für Datenvisualisierung.

Wenn ich sage: „Erstelle mir eine Präsentation aus diesem Dokument” dann kombiniert Claude den PDF-Skill, den PowerPoint-Skill und den Kontext-Skill, der meine wichtigen Anleitungen zur Leser*innenschaft und Zielgruppe von HR-Datenliebe kennt.

Ich baue keine Agenten mehr. Ich baue Fähigkeiten. Claude kombiniert sie selbst.

CustomGPTs vs. Claude Skills: Aufgabe vs. Fähigkeit

Der Unterschied lässt sich auf einen Satz bringen:

Mit CustomGPTs dachte ich in Aufgaben. Mit Skills denke ich in Fähigkeiten.

Ein CustomGPT ist ein Agent, der eine bestimmte Aufgabe erledigt. Du gibst ihm Anweisungen für genau einen Workflow. Das funktioniert, aber nur für genau diesen Workflow.

Claude Skills funktionieren anders. Sie sind modulare Fähigkeitsbausteine, die Claude situativ kombiniert. Nicht ich als Nutzer entscheide, welche Skills gerade relevant sind. Claude erkennt das aus dem Kontext.

Das ist ein fundamentaler Unterschied:

• Denkmodell: Bei meiner bisherigen Nutzung war 1 Agent = 1 Aufgabe. Jetzt mit der Skills-Denkweise setze ich viele Skills für eine flexible Aufgabenbewältigung ein

• Flexibilität: Vorher war mein LLM-Einsatz eher starr. Neue Aufgabe → neuer Agent. Jetzt bin ich deutlich flexibler. Neue Aufgabe → neue Kombination aus Skills. Nur fehlende Skills werden erstellt.

• Kombination: Mir war es mit begrenzten Programmierkenntnissen nicht möglich verschiedene Agents miteinander zu verknüpfen. Jetzt nutze ich einfach Claude Cowork und der kombiniert die Skills je nach Bedarf.

• Skalierung: Bisher war ich meist linear unterwegs (mehr Aufgaben = mehr Agents). Jetzt wird es langsam exponentiell (jeder neue Skill erhöht die Kombinationsmöglichkeiten)

• Wartung: Jeder Agent brauchte einzeln immer wieder die gleichen Informationen (z.B., meine Brandvoice). Nun sind die automatisch wiederverwendbar.

Je mehr Skills Du baust, desto mächtiger wird das System. Nicht, weil ein einzelner Skill mehr kann. Sondern weil die Kombinationsmöglichkeiten exponentiell wachsen.

Fünf Skills ergeben nicht fünf Möglichkeiten. Sie ergeben Dutzende.

🎓 Deshalb habe ich einen Kurs, der etwas anderen Art aufgesetzt.

💡 In meinem Kurs „ChatGPT-Führerschein für HR” findest Du Deinen Einstieg ins KI-Thema. Im Kurs baust Du erste hilfreiche Mini-GPTs 😉. Diese kannst Du dann z.B. nutzen, um eigene KI-Assistenten für Deinen Arbeitsalltag zu bauen. Und ja die Denkweise, die Du im Kurs lernst, ist die perfekte Grundlage, um danach auch mit Skills zu arbeiten.

Das ist der Unterschied zwischen Hype-Follower und kompetenter HR-Person.

Jetzt lernen!

💡 Montagsmaschine+: Das Skill-Mindset für HR. So setzt Du KI in jeder Jobgruppe sinnvoll ein

Jetzt wird es konkret.

Wenn die Skill-Perspektive für KI-Agenten besser funktioniert als die Aufgaben-Perspektive was bedeutet das für HR?

Ganz einfach: Dieselbe Logik, die für KI-Agenten gilt, gilt auch für die Frage, wo KI im Unternehmen eingesetzt werden kann.

Die meisten Unternehmen fragen: „Welche Aufgaben können wir automatisieren?”

Die bessere Frage: „Welche Skills in unseren Jobs kann KI bereits heute übernehmen und welche neuen Skills brauchen unsere Menschen?”

Hier ist Dein Fahrplan.

👉 Abonniere die Bezahlversion Montagsmaschine+, um die konkreten HR-Tipps zu lesen: Wie Du das Skill-Mindset nutzt, um KI in jeder Jobgruppe Deines Unternehmens sinnvoll einzusetzen, inklusive Schritt-für-Schritt-Anleitung für die Job-Analyse.

⬇️ Die Paid-Inhalte sind nur einen Klick entfernt ⬇️

Read more

✅ Was der Remote Labor Index ist und warum er wichtiger ist als jeder Benchmark-Score
✅ Warum KI-Agenten bei echter Arbeit scheitern und wo sie (überraschend) gut sind
✅ [Paid] Wie du diese Erkenntnisse im nächsten Meeting oder für KI-Use-Cases nutzt, ohne als KI-Bremser zu gelten

KI-Agenten erledigen echte Arbeit nur zu 2,5 %: Was steckt dahinter?

Du hörst es überall.
“Agenten übernehmen bald ganze Workflows.”
“In zwei Jahren brauchen wir keine Freelancer mehr.”
“KI wird den Wissensarbeitsmarkt umwälzen.”

Ich höre das in jedem dritten Meeting. Auf jedem HR-Event.

Das Problem: Bisher gab es kaum belastbare Daten dazu. Jetzt gibt es sie. Mazeika et al. (2025) haben den Remote Labor Index (RLI) veröffentlicht, den bisher ambitioniertesten Versuch, KI-Automatisierung an echter wirtschaftlicher Arbeit zu messen.

Keine synthetischen Tests für KI-Modelle. Keine konstruierten Szenarien, an denen man die Fähigkeiten von KI-Modellen misst. Echte Projekte von echten Auftraggebern auf Upwork.

Was ist der Remote Labor Index und warum er zählt

Die Forscher*innen haben 240 reale Freelance-Projekte von Upwork aus 23 Kategorien genommen. Von Spieleentwicklung über Architekturvisualisierung bis Datenanalyse und Video-Produktion. Der Gesamtwert der Projekte war über 100.000 Dollar aus über 6.000 Arbeitsstunden. Das günstigste Projekt kostete 9 Dollar. Das teuerste Projekt etwa 20.000 Dollar. Die Abbildung zeigt Beispiele für diese Projekte.

Wichtig ist zu verstehen, dass jedes Projekt einen Projekt-Brief, Input-Dateien und das fertige Human-Deliverable als Goldstandard für den Vergleich mit dem KI-Output beinhaltete.

Die entscheidende Frage: Kann ein KI-Agent ein Deliverable so produzieren, dass es ein Auftraggeber auch abnehmen würde?

Das ist der Unterschied zu allen anderen Benchmarks.

Nicht: “Kann KI die Frage beantworten?”

Sondern: “Kann KI das Projekt (End-2-End) abliefern?”

Dadurch ist der RLI aus meiner Sicht ein guter Benchmark für die Frage, ob KI aktuell bereits Jobs abschaffen kann.

Das Ergebnis ist in dieser Studie sehr eindeutig

Sechs Frontier-Agenten (Manus, Grok 4, Claude Sonnet 4.5, GPT-5, ChatGPT Agent, Gemini 2.5 Pro) wurden getestet. Das sind die Automation Rates:

Der beste Agent (Manus) schafft 2,5 %. In Dollar ausgedrückt bedeutet das, dass Manus ungefähr 1.720 Dollar von insgesamt 140.000 Dollar des Gesamtwerts der Aufgaben im Test verdient hätte.

Um es klar zu sagen:

Als Freelancer wäre das Ergebnis der RLI-Studie für alle getesteten KI-Agenten der schnellste Weg in die Insolvenz.

Warum scheitern die KI-Agenten an echten Aufgaben?

Die qualitative Fehleranalyse über ~400 Evaluierungen zeigt vier Hauptkategorien:

• Mangelnde Qualität (45,6 %): Das Deliverable ist vollständig, aber schlicht nicht gut genug. Kein Kunde würde es abnehmen. Kindliche Zeichnungen statt professionellen Designs. Roboterhafte Voiceovers statt natürlicher Sprachausgabe.

• Unvollständigkeit (35,7 %): Videos von 8 Sekunden statt 8 Minuten. Fehlende Assets. Abgebrochene Projekte. Die KI hat einfach aufgehört.

• Korrupte Dateien (17,6 %): Leere Dokumente. Nicht öffenbare Formate. Technisches Versagen auf elementarster Ebene.

• Inkonsistenzen (14,8 %): Das Haus sieht von drei 3D-Perspektiven völlig anders aus. Stil-Brüche zwischen Deliverable-Teilen.

Das Muster dahinter: KI-Agenten können ihre eigene Arbeit nicht zuverlässig überprüfen. Sie merken nicht, wenn ein Video zu kurz ist. Sie sehen nicht, wenn ein Design inkonsistent wirkt. Sie erkennen nicht, wenn eine Datei leer ist. Das ist kein Wissens-Problem. Das ist ein Verifikations-Problem.

Wo KI dann doch funktioniert?

Es gibt Ausnahmen. Und die sind aufschlussreich. Bei Audio-Editing und Sound-Design liefen KI-Agenten auf Augenhöhe mit Menschen und teilweise sogar besser. Bei Bild-Generierung (Logos, Ads) waren sie ähnlich stark. Beim Report-Writing und interaktiven Daten-Dashboards (reines Code-Schreiben) sind sie ebenfalls solide.

Das Muster dahinter: Erfolg dort, wo Komplexität primär in Text oder Bild liegt und nicht in Multi-Step-Koordination mit audiovisuellem Feedback-Loop.

Oder anders:

Wenn KI nicht “Schauen, Prüfen, Korrigieren” muss, klappt es.

Wenn sie diese Verifikationsschleife braucht, scheitert sie recht zuverlässig.

Was scheiternde KI-Agenten für die KI-Debatte bedeutet?

Benchmark-Scores steigen. Das stimmt. Die entsprechenden Werte in der RLI-Studie zeigen, dass die Modelle werden besser, relativ zueinander. Aber absolut? Liegen alle Agenten weit unter dem menschlichen Baseline-Score von 1.000 Punkten.

Die unbequeme Wahrheit ist, dass sich die Wissens-Benchmarks nicht automatisch in wirtschaftlich wertvolle Arbeit übersetzen.

Ein Modell, das einen ihm meist vorab bekannten KI-Benchmark-Test dominiert, kann trotzdem keinen Animationsjob auf Upwork end-2-end abliefern. Das sind zwei verschiedene Welten.

Wer heute mit “KI-Agenten automatisieren Knowledge Work vollständig” argumentiert, benutzt Benchmark-Scores als Proxy für Realität. Das ist bequem. Aber es stimmt eben nicht. Das bedeutet leider trotzdem nicht, dass es in fünf Jahren noch so ist.

Aber heute ist der Gap riesig.

🎓 Deshalb habe ich einen Kurs etwas anderer Art aufgesetzt.

💡 Im ”ChatGPT-Führerschein für HR” lernst du nicht, KI-Agenten zu bauen — sondern die richtigen Fragen zu stellen. Du lernst quasi direkt KI dort einzusetzen, wo sie wirklich nützt.

Das ist der Unterschied zwischen Hype-Follower und kompetenter HR-Person.

Jetzt lernen!

👉 Abonniere die Bezahlversion von Montagsmaschine, um die zusätzlichen Details zu lesen:

• Micro-Win: Wie nutzt Du die Studienergebnisse im nächsten KI-Meeting strategisch?

• Checkliste: Wann lohnt sich ein KI-Agent im HR-Kontext heute?

• Die RLI-Logik als Framework für Deine Use-Case-Bewertung

⬇️ Die Paid-Inhalte sind nur einen Klick entfernt ⬇️

Read more

“KI-Skills sind wichtig. Lernt KI und arbeitet an eurer KI-Kompetenz.”

Und ja. Wir alle haben es irgendwie alle geahnt. KI-Technologien sind deutlich stärker in den Vordergrund gerückt und der aktuelle Hype zieht eben auch seine Kreise.

Das Indeed Hiring Lab zeigt anhand von Daten, dass der Anteil der Stellenausschreibungen, die KI-Begriffe erwähnen, deutlich zugenommen haben. Also wirkt es logisch, dass KI-Fähigkeiten im Arbeitsmarkt ebenfalls eine höhere Wichtigkeit erlangt haben.

Doch nun hat eine groß angelegte Studie mit Hilfe eines feldexperimentellen Designs auch kausal nachweisen können, dass KI-Fähigkeiten die Wahrscheinlichkeit erhöhen zu einem Vorstellungsgespräch eingeladen zu werden.

Stephany und Kolleg*innen (2026) haben 1725 Recruiter*innen über 22.000 synthetische Lebensläufe entscheiden lassen, welche Personen sie auf Basis des Lebenslaufs zu einem Vorstellungsgespräch einladen würden.

Dabei wurde ein Conjoint-Design verwendet. Für drei verschiedene Rollen (Grafikdesign, Büroassistenz, Software Engineer) wurden 22.000 CV-Paare erstellt, die sich jeweils nur in der Erwähnung von KI-Fähigkeiten unterscheiden. Dann wurde geschaut, welche Personen von echten Recruiter*innen zu einem Vorstellungsgespräch eingeladen werden. So kann man dann sehr genau schauen, ob dieser einzige Unterschied “KI-Fähigkeiten” dann zu einer erhöhten Einladungswahrscheinlichkeit führt.

Die Ergebnisse waren recht eindeutig: KI-Skills erhöhen die Einladungswahrscheinlichkeit kausal

Allein die Nennung von KI-Skills führte zu einer Erhöhung der Einladungswahrscheinlichkeit um 8-15 Prozentpunkte (!) erhöht. Die Angabe von KI-relevanten LinkedIn- oder Universitätszertifikaten hatte einen noch stärkeren Effekt.

Leg’ endlich los! Es ist bewiesen, dass es Dir auf dem Arbeitsmarkt was bringen wird.

🎓 Mit meinem Kurs “ChatGPT-Führerschein für HR” findest Du Deinen Einstieg ins KI-Thema. Im Kurs lernst du wie generative KI funktioniert und vor allem auch, was sie eben nicht kann. Du baust Du erste hilfreiche KI-Helferlein (CustomGPTs) 😉. Ich bringe Dir auch das Prompten bei.

Jetzt lernen!

Spannend finde ich auch, dass die Angabe solcher KI-Skills sogar sonst oft bestehende Nachteile von Altersdiskriminierung und vermeintlichen Bildungslücken ausgleichen konnten. Für Bewerbende ohne Abschluss galt zudem, dass Zertifikate besser wirken als reine Selbstauskunft.

Und noch etwas fiel mir direkt ins Auge. Der positive Effekt von KI-Skills scheint nicht für alle Arten von Jobs gleich stark zu sein. Bei Grafikdesign-Rollen fiel er deutlich schwächer aus.

Die Forscher*innen vermuten, dass dies für alle eher als kreativ geltenden Jobs sein könnte.

Und dann finden die Forscher*innen noch einen Lifehack. Recruiter*innen, die selbst KI nutzen belohnen KI-Skills bei den Bewerbenden besonders. Das ist ein Bias, der sich aber endlich mal zu Gunsten von Bewerbenden auswirkt. Denn es betrifft ja eine veränderbare Variable: Deine KI-Skills.

Aus meiner Sicht gibt es drei zentrale Implikationen dieser Studie für HR-Teams. Und ich habe eine sehr klare Meinung, wie Du Dir diese KI-Skills seriös drauf packen kannst.

Beides verrate ich im Paid-Teil meines Newsletters.
⬇️⬇️⬇️⬇️⬇️⬇️⬇️⬇️⬇️⬇️⬇️⬇️⬇️⬇️⬇️⬇️⬇️⬇️

Was bedeutet die KI-Skills-Studie für die HR-Teams von heute?

Read more