Aus einer wiederkehrenden Aufgabe einen KI-Workflow machen: ein Praxis-Playbook

Der durchschnittliche Knowledge Worker hat eine Handvoll Aufgaben, die 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 → immer wieder erledigt: Kundengespräche zusammenfassen, Status-Updates schreiben, Verträge auf fehlende Klauseln prüfen, Wettbewerbsanalysen formatieren. Das ist keine kreative Arbeit. Diese Aufgaben folgen einer vorhersehbaren Struktur, greifen jedes Mal auf dieselben Inputs zu und liefern Ergebnisse, die von Fall zu Fall ungefähr gleich aussehen. Genau das macht sie zu guten Kandidaten für einen KI-Workflow, und genau deshalb erledigen die meisten sie weiterhin manuell.

Das Hindernis ist nicht der Zugang zu Tools. Die meisten Fachkräfte haben über ihren Arbeitgeber bereits Zugang zu ChatGPT, Claude, Microsoft Copilot oder etwas Vergleichbarem. Das Hindernis ist die fehlende wiederholbare Struktur rund um das Modell. Ein einmaliger Prompt, den Sie jedes Mal neu eintippen, ist kein Workflow. Es ist nur eine dialogischere Variante derselben manuellen Aufgabe, mit dem zusätzlichen Risiko, dass leicht abweichende Formulierungen merklich andere Ergebnisse produzieren.

So bauen Sie den Workflow: Schritt für Schritt

Schritt 1: Wählen Sie eine Aufgabe, keine Kategorie

Fangen Sie nicht mit „meinen gesamten Texten“ oder „meinem Research-Prozess“ an. Wählen Sie eine einzelne, klar abgegrenzte Aufgabe, die Sie mindestens wöchentlich erledigen. Ein guter Kandidat hat drei Eigenschaften: die Inputs sind konsistent (gleicher Dokumenttyp, gleiche Datenquelle), das Ergebnis hat ein wiedererkennbares Format, und die Qualitätsschwelle ist klar genug, dass Sie innerhalb von 90 Sekunden erkennen, ob das Resultat brauchbar ist.

Eine Analystin in der Beratung, die Notizen aus Kundenmeetings zu einer Zusammenfassung mit Action Items verarbeitet, passt gut in dieses Profil. Ebenso ein Einkaufsleiter, der zentrale Konditionen aus Lieferantenverträgen extrahiert. Ein Content-Marketer, der einen Blogbeitrag zu einer LinkedIn-Zusammenfassung umarbeitet, ist ein weiteres klares Beispiel.

Schritt 2: Dokumentieren Sie die Aufgabe wie für einen Junior

Bevor Sie ein KI-Tool anfassen, schreiben Sie genau auf, was Sie tun, wenn Sie diese Aufgabe gut erledigen. Dazu gehören das Input-Format, worauf Sie achten, was ein gutes Ergebnis enthält, und alle Sonderfälle, die Sie anders behandeln. Das ist der Schritt, den die meisten überspringen, und er erklärt, warum ihre Prompts vage bleiben.

Wenn Sie die Aufgabe nicht auf einer Seite beschreiben 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, verstehen Sie sie noch nicht gut genug, um sie zu systematisieren. Nehmen Sie sich dafür 20 Minuten, bevor Sie einen einzigen Prompt schreiben.

Schritt 3: Schreiben Sie einen strukturierten System-Prompt

Ihr System-Prompt ist die stehende Anweisung, der das Modell jedes Mal folgt. Er ist getrennt vom variablen Input (die Meeting-Notizen, der Vertrag, der Artikel), den Sie pro Durchlauf einfügen. Ein solider System-Prompt deckt vier Dinge ab: die Rolle, die das Modell einnimmt, das Format des Ergebnisses, die Kriterien für ein gutes Resultat und explizite Einschränkungen (was auszuschließen ist, was nicht erfunden werden darf).

Hier eine grobe Vorlage für die Aufgabe „Meeting-Zusammenfassung“: „Sie sind Business Analyst. Ihre Aufgabe ist es, eine Sammlung von Rohnotizen aus einem Meeting zu lesen und eine strukturierte Zusammenfassung zu erstellen. Die Zusammenfassung muss enthalten: den Zweck des Meetings in einem Satz, eine Aufzählung der getroffenen Entscheidungen, eine numerierte Liste der Action Items mit Verantwortlichen und Fristen, sofern genannt, sowie alle offenen Fragen. Fügen Sie keinen Kontext hinzu, der nicht in den Notizen steht. Wenn ein Verantwortlicher oder eine Frist nicht genannt ist, schreiben Sie ‚nicht angegeben‘.“

Testen Sie diesen Prompt an fünf echten Beispielen aus der Vergangenheit, bevor Sie ihn für fertig erklären. Suchen Sie nach Fehlern, nicht nach Erfolgen.

Schritt 4: Bauen Sie die Übergabe, nicht nur den Prompt

Ein Workflow setzt einen wiederholbaren Input voraus, nicht einen Prompt, den Sie jedes Mal neu eintippen. Das heißt: Sie brauchen einen gleichbleibenden Weg, dem Modell Daten zu übergeben. Die Optionen reichen von einer einfachen geteilten Dokumentvorlage (Notizen hier einfügen, Prompt ausführen) bis zu einer strukturierteren Integration mit Tools wie Zapier, Make oder einem Custom GPT mit festem System-Prompt. Die richtige Wahl hängt von Volumen und technischer Lust ab.

Für die meisten nicht-technischen Fachkräfte funktioniert ein Custom GPT in ChatGPT oder ein gespeichertes „Projekt“ in Claude gut. Das Modell behält den System-Prompt; Sie fügen den variablen Input ein. Das ist ein Workflow, nicht bloß ein Chat.

Schritt 5: Setzen Sie ein Quality Gate, bevor das Ergebnis Ihre Hände verlässt

Der häufigste Fehler ist, KI-Output als fertige Arbeit zu behandeln. Bauen Sie einen zweiminütigen Prüfschritt mit konkreten Punkten ein. Bei der Vertragsprüfung könnte das heißen: prüfen, ob jede markierte Klausel einen Abschnittsverweis hat; prüfen, ob keine Klausel erfunden oder ungenau paraphrasiert wurde; das Ergebnis gegen das Original auf Auslassungen abgleichen. Schreiben Sie die Checkliste auf. Mit der Zeit erkennen Sie systematische Fehler im Verhalten des Modells und können den Prompt entsprechend schärfen.

Fallstricke und wie Sie sie vermeiden

Der erste Fallstrick ist Scope Creep im Prompt. Fachkräfte neigen dazu, immer weitere Anweisungen hinzuzufügen, sobald sie auf Sonderfälle treffen. Prompts mit mehr als 600 Wörtern widersprechen sich oft selbst, und das Modell beginnt, zwischen widersprüchlichen Anweisungen zu mitteln, statt einer davon klar zu folgen.

Der zweite sind inkonsistente Inputs. Wenn die Meeting-Notizen manchmal strukturiert sind und manchmal ein Bewusstseinsstrom, muss der Prompt beides abdecken, und das ist schwieriger, als das Input-Format vorher zu standardisieren. Lösen Sie zuerst das Input-Problem.

Der dritte ist die Annahme, der Workflow sei stabil, sobald er funktioniert. Modelle werden aktualisiert. ChatGPT-4o und Claude Sonnet verhalten sich über Versionen hinweg unterschiedlich, und ein auf eine Version kalibrierter Prompt kann nach einem Update subtil schlechtere Ergebnisse liefern. Planen Sie einen Quartalscheck ein, bei dem Sie fünf Testfälle erneut durchlaufen und gegen Ihre Qualitätsschwelle vergleichen.

Achten Sie schließlich auf Aufgaben, die repetitiv aussehen, es aber nicht sind. Die Synthese von Competitive Intelligence etwa hat eine gleichbleibende Struktur, erfordert aber echtes Urteilsvermögen darüber, was relevant ist. KI kann einen Entwurf liefern; die redaktionelle Entscheidung kann sie nicht verlässlich treffen. Kennen Sie den Unterschied.

Quick Wins für diese Woche

• Wählen Sie eine Aufgabe, die Sie letzte Woche mindestens dreimal erledigt haben, und schreiben Sie die einseitige Beschreibung aus Schritt 2, nichts weiter.
• Holen Sie die letzten fünf Ergebnisse dieser Aufgabe heraus und identifizieren Sie, was sie strukturell gemeinsam haben. Diese Struktur wird Ihr Output-Format im System-Prompt.
• Richten Sie einen Custom GPT oder ein Claude-Projekt ein und lassen Sie Ihren Prompt an einem echten Beispiel laufen, bevor Sie irgendetwas optimieren.
• Blocken Sie sich 30 Minuten Ende des nächsten Monats, um drei Testfälle erneut durchlaufen zu lassen und zu prüfen, ob die Ergebnisqualität abgedriftet ist.

Der Zinseszins dieses Vorgehens liegt nicht in der Geschwindigkeit bei einer einzelnen Aufgabe. Er liegt in der Ansammlung verlässlicher, überprüfbarer, verbesserbarer Prozesse über Ihre Arbeit hinweg. Ein Workflow, den Sie prüfen und schärfen können, ist weit mehr wert als eine Abkürzung, die Sie nicht erklären können.