1. Du hast 100 Genies eingestellt. Alle sitzen in der Kaffeeküche, weil keiner einen Auftrag verteilt
Generative KI ist beeindruckend. Sie programmiert. Sie schreibt Texte. Sie recherchiert. Sie übersetzt. Und sie greift auf einen riesigen Berg an Wissen zu.
Wenn man das hört, könnte man meinen, morgen führt jeder im Alleingang so etwa 10 Firmen.
In der Praxis bleibt aber vieles genau an dieser Stelle stecken.
„Und was bauen wir jetzt?“
Genau diese Frage.
Egal wie stark die KI ist: Wenn niemand sagt, wo es losgeht, passiert nichts. Man kann 100 Ferraris nebeneinander parken – ohne Ziel im Navi hat man nur einen sehr schicken Parkplatz.
Im KI-Zeitalter fehlt nicht unbedingt ein noch besseres Modell.
Oft fehlt die Person, die all dieser Leistung den ersten Auftrag gibt.
2. Die Stärke liegt nicht in der fertigen Großerfindung, sondern im ersten Funken
Bei „Ideenreichtum“ denken viele an den genialen Geistesblitz, auf den noch nie jemand gekommen ist.
In Wirklichkeit gibt es eine unscheinbarere und viel stärkere Fähigkeit:
- das hier nervt
- kann man diese zwei Sachen verbinden?
- lässt sich die vorhandene Funktion für etwas anderes nutzen?
- warum gibt es diesen Schritt eigentlich?
- was sehen wir, wenn wir erst mal eine Minimalversion bauen?
Also die Fähigkeit, einen Zündpunkt zu setzen.
Die erste Idee muss nicht fertig sein. Wichtig ist, etwas hinzustellen, auf dem der nächste Gedanke aufbauen kann.
Am leeren Tisch kommt keine Diskussion in Gang. Aber sobald ein Prototyp daliegt, egal wie grob, kommt alles auf einmal: „Das hier ist komisch“, „das ist brauchbar“, „dann machen wir als Nächstes das“.
Der erste Schritt ist nicht die Antwort.
Er ist eine Maschine, die die nächsten Antworten in Massen hervorbringt.
3. „Ideen haben“ ist nicht eine einzige Fähigkeit
Zerlegt man sie, findet man mindestens diese Bausteine:
| Fähigkeit | Was sie macht |
|---|---|
| Auffächern | Aus einem Problem viele Möglichkeiten ableiten |
| Analogie | Das Prinzip aus einem anderen Bereich übertragen |
| Neu kombinieren | Aus vorhandenen Teilen A+B ein C machen |
| Problem entdecken | Das Ärgernis sehen, das schon vor der gestellten Aufgabe liegt |
| Neu rahmen | Die Frage neu stellen, die wirklich gelöst werden muss |
| Eingrenzen | Unter den Ideen auswählen, was umgesetzt wird |
| Zerlegen | Das Ziel in Aufgaben teilen, die die KI erledigen kann |
| Loslegen | Einfach mal die erste greifbare Version bauen |
| Weiterdenken | Am laufenden Ergebnis die nächste Idee finden |
Was die Psychologie divergentes Denken nennt, ist ein wichtiger Teil davon. Die APA beschreibt divergentes Denken als kreatives Denken, das Probleme löst oder Entscheidungen trifft, indem es von üblichen oder gelernten Strategien abweicht.[1]
Es gibt aber auch den Hinweis, dass Ergebnisse in Tests zum divergenten Denken allein nicht die gesamte Kreativität im echten Leben abbilden.[2]
Heißt: „Viele Ideen raushauen“ reicht nicht.
In der Praxis gehört dazu, neu zu rahmen, auszuwählen, umzusetzen und dann wieder nachzudenken.
4. Kreativ sein ist ein Hin und Her: erzeugen → erkunden → wieder erzeugen
In der Forschung dazu, wie unser Kopf kreativ arbeitet, gibt es die Vorstellung, dass Ideen nicht auf einen Schlag fertig sind. Man erzeugt erst Kandidaten, erkundet und bewertet sie und geht bei Bedarf zurück zum Erzeugen. Das ist das sogenannte Geneplore-Modell.[3]
Überträgt man das auf die Entwicklung mit KI, wird es sofort klar:
- man hat einen Einfall
- man spielt ihn mit der KI durch
- daraus wird ein grobes Konzept
- man baut
- man lässt es laufen
- man merkt: „Nee, so nicht“
- ein anderer Ansatz taucht auf
- man baut neu
Die Idee muss also vor der Umsetzung nicht fertig sein.
Das Umsetzen selbst ist Teil des Denkens.
Das ist der große Unterschied zu früher.
Wenn ein Prototyp 3 Monate dauert, will man vorher möglichst viel im Kopf durchdenken.
Wenn er in 30 Minuten steht, wird der Prototyp selbst zur Denknotiz.
Ideen haben und umsetzen sind dann keine getrennten Abteilungen mehr.
5. „Ich kann kein Multitasking“ – stimmt, wenn du alles selbst machen musst
„So viel gleichzeitig schaffe ich nicht.“
Stimmt.
Wer Konzept, Code, Recherche, Prüfung und Korrekturen von 10 Projekten gleichzeitig im Kopf behalten soll, bei dem werden irgendwann alle Tabs im inneren Browser weiß.
Aber man kann die Voraussetzung ändern.
Der Mensch muss kein Multitasking können. Parallel arbeitet das System.
Beim Menschen bleibt nur:
- was er will
- was wichtig ist
- wie viel er in Kauf nimmt
- welches Ergebnis er übernimmt
Das reicht.
Danach werden
- Recherche
- Konzept
- Umsetzung
- Tests
- Übersetzung
- Prüfung
so weit aufgeteilt, wie sie unabhängig voneinander laufen können, und an die KI übergeben.
Es heißt also nicht: „Ich bin schlecht im Multitasking, also ist KI nichts für mich.“
Im Gegenteil: Wer schlecht im Multitasking ist, profitiert umso mehr davon, die Arbeit aus dem Kopf zu holen und als Aufgaben mit klarer Zuständigkeit auszulagern.
6. Ein riesiger Wissensberg ist ein Materiallager, kein Bauplan
Egal wie groß die KI und die Daten dahinter sind: Das allein sagt noch nicht, was gebaut werden sollte.
Stell dir einen gigantischen Baumarkt vor, mit Holz, Stahl, Glas, Werkzeug und sogar schweren Baumaschinen.
Beeindruckend.
Aber wenn der Kunde nicht entscheidet, was er bauen will, bleibt der Baumarkt ein Baumarkt.
Mit KI ist es ähnlich.
Sie liefert Infos. Sie vergleicht. Sie schreibt Code. Sie macht Vorschläge.
Aber in dem Moment, in dem eine Richtung dazukommt, etwa
„Ich will dieses Ärgernis loswerden“, „Wenn man die zwei Dinge verbindet, wird’s spannend“, „Ich will dieses Erlebnis eine Stufe besser machen“,
wird aus Leistung Arbeit.
Wer das Beste aus der KI holt, muss nicht mehr wissen als die KI.
Er muss ihr sagen können: „Grab hier.“
7. Bevor man ein Problem löst, gewinnt, wer es neu stellen kann
In der Designforschung gilt es als zentrale Praxis, offene und komplexe Probleme zu „rahmen“. Dorst richtet den Blick auf das Neu-Rahmen: Wenn Organisationen vor schwierigen Situationen stehen, ändern sie die Art, wie sie das Problem überhaupt betrachten.[4]
Mit KI wird das noch wichtiger.
Sagt man der KI „Mach das“, löst sie unter Umständen genau das gestellte Problem in irrem Tempo.
Gerade das ist gefährlich.
Ist die Aufgabe schief gestellt, produziert sie in Höchstgeschwindigkeit massenhaft Dinge, die nach richtigen Antworten aussehen.
Die wirklich starke Frage ist nicht nur
„Wie wird diese Arbeit schneller?“
Sondern sie geht zurück bis zu:
„Braucht es diese Arbeit überhaupt?“ „Will der Nutzer schneller arbeiten – oder will er, dass die Arbeit ganz wegfällt?“ „Kommt man über einen anderen Weg ans Ziel?“
Je besser die KI im Antworten wird, desto mehr Hebelwirkung hat die Frage, die der Mensch stellt.
8. Wer schnell baut, hat mehr Ideen – und das ist unterschätzt gewaltig
Es gibt Experimente, die zeigen, dass generative KI bei bestimmten Wissensarbeiten Zeit spart und die Qualität hebt. Im Experiment von Noy und Zhang sank bei den untersuchten beruflichen Schreibaufgaben die durchschnittliche Bearbeitungszeit um 40 %, und die bewertete Qualität stieg um 18 %.[5]
Das heißt natürlich nicht, dass jede Arbeit 40 % schneller geht.
Der wichtige Punkt ist ein anderer:
Wenn Ausprobieren billiger wird, probiert man öfter aus.
Und je öfter man ausprobiert, desto mehr lernt man aus dem echten Ergebnis:
- ob es wirklich taugt
- ob es mieser aussieht als gedacht
- ob es für einen anderen Zweck besser passt
- ob es sich mit der Nachbarfunktion verbinden lässt
- wo Nutzer hängen bleiben
Solche Erkenntnisse kommen selten nur durch Nachdenken.
Deshalb gilt: Je kürzer der Kreislauf
Idee → Umsetzung → Beobachtung → neue Idee
wird, desto eher werden aus Einzelideen ganze Ketten.
Tempo beim Umsetzen ist nicht nur Produktivität.
Es ist auch die Drehzahl des Ideenmotors.
9. Aber wenn die KI alle Ideen liefert, steigen alle auf denselben Berg
KI kann auch beim Ideenfinden helfen.
Im Experiment von Doshi und Hauser wurden Kurzgeschichten, die mit Ideen der KI entstanden, einzeln im Schnitt besser bewertet – sie ähnelten sich aber stärker untereinander, und die Vielfalt insgesamt sank.[6]
Das ist wichtig.
Wer die KI jedes Mal nur nach „10 kreativen Ideen“ fragt, sitzt am Ende womöglich mit allen anderen im selben Reisebus.
Deshalb verschwindet der Wert des Menschen nicht:
- was du selbst wirklich als nervig erlebt hast
- die Ungereimtheit, die dir in der Praxis aufgefallen ist
- die Eigenheiten eines bestehenden Systems
- ein Vergleich aus einem ganz anderen Bereich
- eine schräge Kombination
- der Einwand „Machen alle so – aber warum eigentlich?“
Genau dieser eigene Input gibt dem riesigen Wissen der KI Richtung und Charakter.
Es geht nicht darum, die KI alles denken zu lassen.
Der Mensch wirft einen seltsamen Stein ins Wasser, und die KI verstärkt die Wellen.
So wird es viel spannender.
10. Der beste Kreislauf: Einfall → in einen Satz fassen → aufteilen → abgeben → anschauen → neuer Einfall
Im Alltag reicht es, so simpel:
① Der Anstoß „Wär’s nicht praktisch, wenn das so funktionieren würde?“
② Ein Satz Was, für wen und wie es sich ändern soll – in einem Satz.
③ Aufteilen In unabhängige Aufgaben zerlegen: Recherche, Entwurf, Umsetzung, Prüfung.
④ Abgeben Die einzelnen Teile an die KI geben. Der Mensch trägt nicht alles gleichzeitig.
⑤ Etwas Greifbares Text, Bildschirm, Code, Ergebnis – irgendetwas, das man sehen kann.
⑥ Nachprüfen Lesen, ausprobieren, checken, ob wirklich das Ziel erreicht ist.
⑦ Weiterdenken Es kommt das „Wenn das geht, dann geht ja auch das“.
Wegen dieses Schritts ⑦ hört der Kreislauf nie auf.
Ein fertiges Ergebnis wird zum Rohstoff für die nächste Idee.
Funktion A steht. Weil es A gibt, fällt einem B ein. Steht B, wird aus A+B ein C. Steht C, kommt die Frage: „Könnten wir nicht gleich den ganzen Dienst als D neu denken?“
Am Anfang war es ein kleiner Funke – und plötzlich steht da ein Kraftwerk.
11. Die Falle: Die Ideen kommen schneller, als man aufräumen kann
Diese Arbeitsweise hat eine klare Nebenwirkung.
Wenn Ideen am laufenden Band kommen und die Umsetzung schnell geht, wird das System Anbau um Anbau erweitert.
Und eines Tages öffnest du den Sicherungskasten.
„Wer hat das denn gebaut?“
Du. Gestern.
Die Lösung ist nicht, keine Ideen mehr zu haben.
- nicht zu viele maßgebliche Datenquellen anlegen
- keine zwei Mechanismen für dieselbe Aufgabe bauen
- was sich ins Bestehende einfügen lässt, dort einfügen
- nur wirklich unabhängige Aufgaben parallel laufen lassen
- nach dem Umsetzen immer nachprüfen
- wichtige Änderungen durch eine Qualitätskontrolle schicken
- „können wir bauen“ von „sollten wir jetzt bauen“ trennen
Schnelle Ideen brauchen schnelles Aufräumen.
Statt vom Gas zu gehen: Lenkung und Bremsen stärken.
12. Fazit: Im KI-Zeitalter zählt weniger „KI bedienen können“ als „der KI Arbeit verschaffen können“
Die KI-Modelle werden immer besser.
Sie wissen mehr. Code und Texte entstehen schneller. Mehrere KIs gleichzeitig laufen zu lassen, wird einfach.
Dadurch verschiebt sich die seltene Fähigkeit auf der menschlichen Seite nach und nach.
Weg von „Ich kann alles selbst bauen“, hin zu:
herausfinden, was sich zu bauen lohnt,
den ersten Anstoß geben,
das Problem neu stellen,
die Arbeit aufteilen,
an die KI abgeben,
das echte Ergebnis anschauen,
und daraus die nächste Idee entwickeln.
KI ist eine enorme Leistung.
Aber diese Leistung wartet, bis ihr jemand Arbeit gibt.
Vorne liegt deshalb nicht nur, wer schneller programmiert als die KI.
Sondern wer als Erster sagt: „Moment, das könnte man doch bauen, oder?“
In einer Firma, die 100 geniale KIs eingestellt hat, fehlt als Erstes nicht Genie Nummer 101.
Es fehlt jemand, der die erste Zeile in den Arbeitsauftrag schreibt.
Quellen (6)
- APA Dictionary of Psychology, “divergent thinking. dictionary.apa.org
- American Psychological Association, “The science behind creativity” — notes that divergent-thinking measures are useful but do not map cleanly onto real-world creativity as a whole apa.org
- Ward, T. B., Smith, S. M., & Finke, R. A., “Creative Cognition,” in Handbook of Creativity; see also Geneplore descriptions of iterative generative and exploratory processes cambridge.org
- Dorst, K. (2011). “The core of ‘design thinking’ and its application.” Design Studies, 32(6), 521–532 doi.org
- Noy, S., & Zhang, W. (2023). “Experimental evidence on the productivity effects of generative artificial intelligence.” Science, 381(6654), 187–192 doi.org
- Doshi, A. R., & Hauser, O. P. (2024). “Generative AI enhances individual creativity but reduces the collective diversity of novel content.” Science Advances, 10(28), eadn5290 doi.org
