Künstliche Intelligenz

Seit gut zwei Jahren arbeite ich täglich mit großen Sprachmodellen. Beruflich in der Entwicklung von Curricula und Zertifizierungsarchitekturen, daneben in Recherche, Analyse und beim Durchdenken komplexer Fragestellungen. Was als Neugier begann, ist zu einem Handwerk geworden, das sich beschreiben und weitergeben lässt.

Diese Seite sammelt, was dabei entstanden ist.

Wie ich auf KI blicke

Der öffentliche Diskurs bewegt sich meist zwischen zwei Polen: der Erwartung, dass Sprachmodelle Arbeit abnehmen, und der Sorge, dass sie Menschen ersetzen. Beides greift zu kurz.

Was mich interessiert, liegt dazwischen. Ein Sprachmodell ist kein Werkzeug im gewohnten Sinn — es hat keine feste Bedienoberfläche, keinen definierten Funktionsumfang, keine eindeutige Anwendung. Es reagiert auf das, was man ihm gibt, und die Qualität des Ergebnisses hängt weniger von der Technik ab als von der Präzision des Denkens, das in die Anfrage eingeht.

Daraus folgt etwas, das dem verbreiteten Effizienzversprechen widerspricht: Der Wert entsteht nicht dort, wo die Nutzung am reibungslosesten ist. Er entsteht dort, wo man ein Ergebnis prüft, nicht übernimmt — wo man widerspricht, nachschärft, die eigene Absicht klarer fasst. Diese Auseinandersetzung ist anstrengend. Sie ist auch der einzige Weg, auf dem Urteilsfähigkeit entsteht statt Abhängigkeit.

Warum das eine didaktische Frage ist

Mit dem EU AI Act ist der Aufbau von KI-Kompetenz für Unternehmen zur rechtlichen Pflicht geworden. In der Praxis wird sie häufig als Softwareschulung verstanden: Oberfläche erklären, Teilnahme dokumentieren, Haken setzen. Wer ein Werkzeug bedienen kann, besitzt damit aber noch nicht die Fähigkeit, seine Ergebnisse fachlich zu beurteilen.

Der Unterschied zwischen Bedienkompetenz und Urteilsfähigkeit entscheidet darüber, ob KI in einer Organisation Qualität erzeugt oder Risiko. Er ist keine technische Frage, sondern eine der Didaktik — und damit eine Aufgabe, die sich nicht an die IT delegieren lässt.

Genau an dieser Stelle liegt mein Arbeitsschwerpunkt: Lernpfade, die an echten Aufgaben ansetzen statt an Demobeispielen. Prüfungsformate, die Kritikfähigkeit messbar machen statt Auswendiggelerntes. Zertifizierungsarchitekturen, die einer Nachweisführung standhalten.

Grafik erstellt mit Claude Pro

Was Sie hier finden

Die folgenden Beiträge sind über zwei Jahre entstanden und greifen jeweils eine Facette heraus — von der Frage nach dem Perspektivwechsel im Umgang mit KI bis zu den regulatorischen Anforderungen des AI Act. Sie richten sich an Menschen, die mit KI arbeiten oder darüber entscheiden, wie in ihrer Organisation damit gearbeitet wird.

Ergänzend finden Sie kürzere Beiträge zu einzelnen Beobachtungen aus der laufenden Arbeit.