Die eine KI-Kompetenz, die jedes Tool-Update überdauert

Im Zentrum dieses Artikels steht ein Konzept:, die Fähigkeit, ein komplexes, unscharfes Geschäftsproblem in einzelne Teilaufgaben zu zerlegen, die ein Sprachmodell tatsächlich gut bearbeiten kann. Klingt einfach. Wird aber viel zu selten praktiziert, und es ist die einzige Kompetenz, die sich sauber von GPT-4 auf Claude und auf alles überträgt, was nächstes Jahr erscheint.Problemzerlegung für KI

Die Verwirrung darüber ist real. Die meisten Berufstätigen, die regelmäßig KI-Tools nutzen, glauben, sie machten das längst. Tun sie nicht. Sie machen etwas, das eher Wunschdenken ist: eine große, vage Anfrage eintippen und hoffen, dass das Modell es schon hinbekommt. Manchmal klappt das. Häufiger klingt der Output plausibel, ist aber strukturell falsch, und der Nutzer hat kein Framework, um zu erkennen, warum.

Warum diese Kompetenz für alle zählt, die KI im Job einsetzen

Tool-Oberflächen ändern sich permanent. OpenAI stellt den Funktionsumfang von ChatGPT mehrmals im Jahr um. Anthropic liefert Claude-Updates, die verändern, wie das Modell mehrstufige Probleme durchdenkt. Microsoft integriert Copilot tiefer in Office, und zwar so, dass sich verschiebt, was Sie eintippen müssen und was das System automatisch ableitet. Das alles auf Feature-Ebene zu verfolgen, ist ein Fulltime-Job, den niemand hat.

Problemzerlegung ist anders, weil sie eine Ebene über der Oberfläche arbeitet. Wenn Sie verstehen, wie man ein Problem in klar abgegrenzte Teile zerlegt, kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen Sie dieses Denken auf jedes Tool, jede Kontextfenstergröße und jedes neue Modellrelease übertragen. Ein McKinsey-Analyst, der 2023 gelernt hat, Strategiefragen für GPT-3.5 zu zerlegen, kann dieselbe Logik heute auf Gemini Ultra oder eine spezialisierte Legal-KI anwenden. Die zugrunde liegende Disziplin ist dieselbe.

Es gibt außerdem eine Karriere-Signalwirkung. Stand 2026 berichten die meisten Hiring Manager in Consulting, Finance und Produktmanagement, dass sie Kandidaten, die „KI nutzen“, nicht mehr von denen unterscheiden können, die es nicht tun, weil es alle behaupten. Unterscheiden können sie, ob ein Kandidat versteht, warum ein bestimmter KI-Output falsch ist, und ihn systematisch korrigieren kann. Das verlangt Zerlegungskompetenz, nicht Tool-Kenntnis.

Wie es konkret funktioniert

Der Kernmechanismus lautet: Bevor Sie irgendetwas in ein KI-Tool eintippen, bestimmen Sie den Output, den Sie tatsächlich brauchen, und arbeiten sich rückwärts durch die einzelnen Denkschritte, die zu seiner Erstellung nötig sind.

Ein konkretes Beispiel. Ein Senior Product Manager in einem mittelgroßen SaaS-Unternehmen muss für eine Board-Sitzung ein Memo zur Wettbewerbspositionierung vorbereiten. Der instinktive Reflex: ChatGPT öffnen und eintippen: „Schreibe ein Memo zur Wettbewerbspositionierung, das uns mit Salesforce und HubSpot vergleicht, für unsere Board-Sitzung.“ Der Output wird generisch sein, wahrscheinlich aufgebaut entlang dessen, was das Modell allgemein über solche Memos aufgenommen hat.

Die zerlegte Variante sieht anders aus. Erstens definiert der PM, was „Wettbewerbspositionierung“ in diesem konkreten Kontext bedeutet: Marktsegmente, Preisstufen und zwei oder drei funktionale Differenzierungsmerkmale, die für dieses Board wirklich relevant sind. Zweitens lässt ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → das Modell die bekannten öffentlichen Informationen zur Mid-Market-Strategie von Salesforce zusammenfassen, getrennt von denen zu HubSpot. Drittens speist er interne Daten ein (Win/Loss-Rates, Notizen aus Sales Calls, Auszüge aus Kundenbefragungen) und lässt das Modell die erkennbaren Muster herausarbeiten. Viertens, und erst wenn diese Bausteine existieren, lässt er das Modell die Struktur des Memos entwerfen.

Jede Teilaufgabe ist eng genug, dass das Modell sie gut erledigen kann. Die Integration dieser Outputs zu einer stimmigen Argumentation bleibt beim Menschen, denn dort sitzen Urteilsvermögen und Kontext. Der PM hat keine Prompt-Bibliothek auswendig gelernt. Er hat einen Denkprozess angewandt, der unabhängig davon funktioniert, welches Modell darunter läuft.

Genau deshalb hat die Fixierung auf „Prompt EngineeringPrompt EngineeringPrompt engineering is the practice of designing and refining text inputs to guide large language models toward accurate, relevant, and reliable outputs.Vollständige Definition ansehen →“ als eigenständige Kompetenz eine begrenzte Halbwertszeit. Konkrete Prompt-Syntax ändert sich mit jedem Modell-Update. Der Denkprozess, der gute Prompts erzeugt, nicht.

Wann dieser Ansatz sinnvoll ist und wann nicht

Zerlegung lohnt den Aufwand, wenn eine Aufgabe folgenreich oder komplex ist oder sich wiederholt. Board-Memos, Due-Diligence-Zusammenfassungen, Richtlinienentwürfe, strategische Empfehlungen: Hier rechtfertigt sich der Vorlauf, die Teilaufgaben zu kartieren, bevor Sie das Tool anfassen.

Für Routineanfragen mit geringem Einsatz ist es überdimensioniert. Wenn Sie eine Tabelle neu formatieren oder einen ersten Entwurf einer Standard-Kundenmail brauchen, fragen Sie direkt. Einen strengen Zerlegungsprozess auf jede KI-Interaktion anzuwenden, ist eine Form von Over-Engineering, die genau die Zeit verbrennt, die Zerlegung einsparen soll.

Der ehrliche Tradeoff ist kognitiver Aufwand. Ein Problem ordentlich zu zerlegen, kostet fünf bis fünfzehn Minuten strukturiertes Nachdenken, bevor Sie ein KI-Tool öffnen. Viele überspringen das, weil es sich langsamer anfühlt. Es ist auch langsamer, am Anfang. Aber es liefert verlässlich bessere Erstentwürfe, reduziert Revisionsschleifen und baut einen wiederholbaren Ansatz auf, den man über die Zeit verfeinern kann. Teams bei Firmen wie BCG und Bain haben begonnen, das in ihren internen KI-Trainings zu formalisieren, gerade weil Ad-hoc-PromptingPromptingPrompt engineering is the practice of designing and refining text inputs to guide large language models toward accurate, relevant, and reliable outputs.Vollständige Definition ansehen → in der Breite schwankende Qualität erzeugt.

Noch eine echte Einschränkung: Zerlegung setzt genug Fachwissen voraus, um überhaupt zu wissen, welche Teilaufgaben es gibt. Ein Junior-Analyst, der nicht versteht, was ein Memo zur Wettbewerbspositionierung für ein Board nützlich macht, wird das Problem kaum richtig zerlegen können, so gut er die Methodik auch verinnerlicht hat. Die Kompetenz verstärkt vorhandene Expertise. Sie ersetzt sie nicht.

Die Berufstätigen, die auch dann noch effektiv sind, wenn die heutigen Tools verschwunden sind, behandeln KI als etwas, das man steuert, nicht als etwas, dem man sich überlässt. Zerlegung ist die operative Fassung dieses Prinzips: konkret, lehrbar und unabhängig vom Funktionsumfang einer bestimmten Plattform.