„KI macht Menschen, die ihr Gebiet bereits verstehen, noch stärker.“ Diese Aussage trifft viel, aber nicht alles. Jemand, der „es verstanden hat“, muss nicht mit einem ganzen Lagerhaus an Expertenwissen im Kopf starten.
Entscheidender ist, ob man eine Ausgabe ansehen und beurteilen kann: Das ist brauchbar, das ist verdächtig, die Vergleichsgruppe ist zu klein, oder das ist noch nicht wirklich fertig. Und diese Maßstäbe müssen nicht alle vorher vorhanden sein. Fehlt ein Maßstab, kann man fragen: „Was machen andere Unternehmen?“, „Was ist Branchenstandard?“, „Wo sind vergleichbare Projekte gescheitert?“, „Was ist das stärkste Gegenargument?“. Auch die Bewertungskriterien selbst lassen sich recherchieren.
Dann wirkt KI weniger wie ein Wissensautomat und mehr wie ein Sparringsraum zum Vergleichen, Nachbohren, Widerlegen und Erhöhen der gedanklichen Auflösung.
1. „Wer schon versteht, wird stärker“ ist nur die halbe Geschichte
KI lässt sich gut als Multiplikator denken. Ist das Ziel unscharf, kann sie Unsicherheit beschleunigen. Sind Frage und Kriterien gut, beschleunigt sie die Exploration. Deshalb ziehen erfahrene Praktiker oft besonders großen Nutzen aus starken KI-Systemen.
Aber nicht nur Vorwissen wird multipliziert. Auch die Fähigkeit, Vergleiche zu finden, Anomalien zu bemerken, Hypothesen anzugreifen und „fertig“ zu definieren, lässt sich verstärken. Je mehr Suche und Strukturierung die KI übernimmt, desto wertvoller wird die menschliche Fähigkeit zu entscheiden, welche Evidenz richtig und falsch tatsächlich unterscheiden würde.
Eine absichtlich grobe Formel lautet:
Praktischer KI-Multiplikator ≈ Wissen × Bewertungskriterien × Vergleichsfähigkeit × Falsifikationsfähigkeit × Iterationen
In manchen Feldern ist nahezu kein Vorwissen tatsächlich eine harte Grenze. Aber sehr viel zu wissen und jede elegante Antwort mit „klingt richtig“ abzunicken, erzeugt ebenfalls keinen großen Multiplikator.
2. „Verstehen“ bedeutet weniger Fakten speichern als Ausgaben beurteilen können
Man kann „Verstehen“ in fünf Fähigkeiten zerlegen.
- Das Ziel formulieren: Welches Problem soll gelöst werden und wie sieht der Endzustand aus?
- Qualität beurteilen: Was gilt als bestanden, was als gescheitert?
- Den Engpass finden: Wo liegt die tatsächliche Restriktion statt nur das sichtbare Symptom?
- Verdächtige Aussagen erkennen: Genug mentales Modell besitzen, um zu fragen: „Stimmt das wirklich?“
- Fertig definieren: Wissen, wann Recherche, Korrektur oder Überarbeitung beendet werden sollte.
Nicht alle fünf müssen auf Expertenniveau beherrscht werden. Der entscheidende Wechsel geht von „dieser Text klingt plausibel“ zu „dieses Ergebnis erfüllt oder verfehlt das Ziel aus diesen Gründen“.
Eine Antwort zu kennen und eine Antwort bewerten zu können, sind unterschiedliche Fähigkeiten. KI erhöht den Wert der zweiten.
3. Kriterien lassen sich importieren — „Was machen die anderen?“ ist eine extrem starke Frage
Hier liegt die wichtige Wendung: Wenn ein Maßstab fehlt, recherchiere den Maßstab.
Bei einem unbekannten Prozess muss man nicht bei „ich kenne die Best Practice nicht“ stehen bleiben. Man kann die KI Vergleiche strukturieren lassen:
- Was machen andere Unternehmen?
- Gibt es einen Branchenstandard?
- Worin unterscheiden sich Spitzenunternehmen von durchschnittlichen?
- An welcher Stelle sind gescheiterte Implementierungen zerbrochen?
- Wie lösen benachbarte Branchen dieselbe Einschränkung?
- Was ist das regulatorisch oder normativ geforderte Minimum?
- Worüber beschweren sich Nutzer wiederholt?
Betrachtet man nur ein Unternehmen, kann fast alles normal wirken. Betrachtet man fünf, werden Unterschiede sichtbar. Nimmt man Fehlschläge hinzu, wird erkennbar, warum die Unterschiede relevant sind.
What do others do? ist daher keine bloße Bitte um Informationen. Die Frage erzeugt ein Bewertungsraster, das vorher nicht vorhanden war.
4. KI ist nicht nur eine Wissensautobahn, sondern auch eine Maschine zur Beschaffung von Vergleichsachsen
In einem unbekannten Bereich kann KI die Strecke von „ich weiß gar nichts“ zu „ich weiß zumindest, was geprüft werden muss“ verkürzen. Eine nützliche Reihenfolge ist:
unbekannt → Überblick → Vergleich → Hypothese → Beispiele → Gegenargumente → Ausnahmen → Primärquellen → Kriterien → vorläufiges Urteil
Das Ziel ist nicht sofortige Expertise. Es reicht, bessere Fragen an Experten stellen, schwache Belege erkennen und Alternativen sinnvoll vergleichen zu können. Ab diesem Punkt wird die nächste Rechercherunde deutlich besser.
All das war auch vor KI möglich, aber teuer. Zehn Wettbewerbsfälle zu finden, Fachbegriffe zu lernen, Fehlschläge zu lesen und in Nachbarbranchen zu wechseln kostete viel Zeit. KI senkt die Reibung bei Suche, Strukturierung und Kontextwechsel. Deshalb gewinnt nicht nur „wer schon weiß“, sondern auch wer sehr schnell in einen Zustand gelangen kann, in dem klar ist, worauf man achten muss.
5. Die Kernfähigkeit ist Nachbohren — nach Antwort Nummer eins nicht nach Hause gehen
Ein großer Unterschied in der KI-Nutzung entsteht, wenn die erste Antwort als Start statt als Ziel behandelt wird. Statt „interessant“ zu sagen und aufzuhören, wird weiter gebohrt.
„Was ist die Evidenz?“ „Was ändert sich konkret?“ „Was machen andere Unternehmen?“ „Ist das wirklich üblich?“ „Welche Ausnahmen gibt es?“ „Zeig den Gegenfall.“ „Werden Korrelation und Kausalität vermischt?“ „Was ist der eigentliche Engpass?“ „Was müssten wir beobachten, wenn diese Hypothese falsch wäre?“
Eine allgemeine Antwort wird durch Vergleich relativiert. Ausnahmen zeigen Randbedingungen. Falsifikation legt Schwachstellen offen. Primärquellen zeigen, welche Teile den Kontakt mit der Realität überleben. Erst dann wird aus einer plausiblen Antwort Material für Entscheidungen.
Gute KI-Nutzer müssen im ersten Prompt kein Kunstwerk schreiben. Sie erhöhen in Runde zwei, drei und zehn gnadenlos die Auflösung. Das ist der Kern.
6. Warum dasselbe Nachbohren mit Menschen schwierig ist
Wiederholtes Fragen zwischen Menschen erzeugt Kosten jenseits der Informationssuche. Es verbraucht Zeit, kann wie Misstrauen wirken, Status oder Stolz berühren und Erklärungsmüdigkeit erzeugen. Das sind zwischenmenschliche Reibungen, nicht zwingend intellektuelle Einwände.
Ein guter Kollege oder Experte kann lange mitgehen. Trotzdem verändert sich die Atmosphäre, wenn „Evidenz?“, „Ausnahmen?“ und „ist diese Annahme nicht falsch?“ dreißigmal hintereinander kommen, selbst wenn jede Frage berechtigt ist.
Bewusst übertrieben dargestellt:
- Frage 5: Eine Augenbraue bewegt sich.
- Frage 12: Der Seufzer wird zur gemeinsam genutzten Infrastruktur des Besprechungsraums.
- Frage 25: „Brauchen wir das jetzt wirklich?“ betritt die Unterhaltung.
- Frage 30: Das Meeting zu beenden wird zum dringenderen KPI als die Frage zu beantworten.
Das ist kein menschlicher Defekt. Menschen haben Zeit, Emotionen, Rollen und andere Aufgaben. Niemand existiert ausschließlich als Endpunkt einer unendlichen rekursiven Frageschleife.
7. KI kann zum Sparringsraum mit unbegrenztem Nachbohren werden
Bei KI ist ein großer Teil dieser zwischenmenschlichen Reibung deutlich kleiner. Bei Frage 28 kann man erneut sagen: „Okay, aber was ist die Evidenz?“. Man kann fünfzehn Minuten zurückspringen und fragen: „Widerspricht das nicht deiner vorherigen Erklärung?“, ohne zur Bürolegende zu werden.
Der Wert von KI liegt daher nicht nur in der Informationsmenge. Sie senkt auch die Kosten wiederholten Denkens. Man kann dieselbe Hypothese aus einem anderen Winkel angreifen, Wettbewerber hinzufügen, Annahmen umdrehen, für Anfänger erklären und anschließend für Experten neu aufbauen.
„No social cost“ darf aber nicht wörtlich als null Kosten verstanden werden. Iterationen brauchen Zeit. Man kann dreißig Runden selbstbewusst in die falsche Richtung laufen. Und flüssige KI-Texte können das eigene Denken mitziehen. Das ist keine kostenlose unendliche Wahrheitsmaschine.
8. Ein starker Boost kann auch eine falsche Idee verstärken
Ein Multiplikator hat eine unangenehme Eigenschaft: Er multipliziert auch Fehler. Ist die Ausgangshypothese falsch und fordert man nur unterstützende Belege an, kann KI eine schlechte Idee sehr schnell in eine hervorragend organisierte schlechte Idee verwandeln.
Vier Fehlermuster sind besonders wichtig:
- Automatisierter Bestätigungsfehler: Nur Fälle sammeln, die die gewünschte Schlussfolgerung stützen.
- Flüssiger Irrtum: Gute Formulierung mit guter Evidenz verwechseln.
- Benchmark-Cargo-Cult: Andere Unternehmen kopieren, obwohl die Rahmenbedingungen verschieden sind.
- Falscher Konsens: Wenige Beispiele sehen und daraus „alle machen das so“ machen.
Die Gegenwehr ist einfach und unbequem: „Was ist das stärkste Gegenargument?“ „Finde Gegenbeispiele.“ „Was steht wirklich in der Primärquelle?“ „Unter welchen Bedingungen gilt dieser Vergleich nicht?“ Nutze KI, um die eigene Schlussfolgerung anzugreifen, nicht nur um sie zu dekorieren.
Ein Booster ohne Lenkung erreicht lediglich schneller die Wand.
9. Die starke Schleife lautet Vergleich → Falsifikation → Primärquelle → neues Urteil
Ein praktischer Ablauf sieht so aus:
- Hypothese setzen: Was scheint derzeit die Ursache zu sein?
- Vergleichsmenge bilden: andere Unternehmen, Länder, Systeme, Branchen und historische Fälle.
- Kriterien extrahieren: Welche Unterschiede scheinen wirklich relevant?
- Vorläufig urteilen: die aktuell stärkste Erklärung wählen.
- Falsifizieren versuchen: Gegenbelege, Ausnahmen und Alternativhypothesen suchen.
- Zu Primärquellen gehen: Normen, Originaldokumente, Messwerte, amtliche Aufzeichnungen.
- Urteil aktualisieren: die erste Hypothese nicht aus Stolz schützen.
- Fertig definieren: stoppen, wenn zusätzliche Recherche die Entscheidung kaum noch ändern dürfte.
Ein kleiner Fragenkatalog macht die Methode wiederverwendbar:
| Bedarf | Frage an die KI |
|---|---|
| Vergleich | „Was machen andere Unternehmen, Länder oder Methoden?“ |
| Normalität | „Ist das üblich oder speziell? Welche Grundgesamtheit ist relevant?“ |
| Ausnahme | „Unter welchen Bedingungen passiert das Gegenteil?“ |
| Ursache | „Was ist der Engpass statt nur des sichtbaren Symptoms?“ |
| Falsifikation | „Welche Evidenz würde diese Hypothese widerlegen?“ |
| Abschluss | „Was reicht vor einer Entscheidung als Prüfung aus?“ |
Das ist weniger „die KI nach der richtigen Antwort fragen“ und mehr die KI nutzen, um das eigene Urteilssystem zu trainieren.
10. Der neue Mensch, der „es versteht“, ist nicht der Mensch, der alles weiß
Eine passendere Definition für das KI-Zeitalter lautet:
Jemand, der erkennt, was er nicht weiß, die richtigen Vergleiche sammelt, Kriterien aufbaut oder importiert, Hypothesen zu falsifizieren versucht, Ausgaben selbstständig bewertet und sich schnell aktualisiert, wenn sich die Evidenz ändert.
Das ist nicht dasselbe wie eine Enzyklopädie im Kopf zu tragen. Es bedeutet eher zu wissen, wo die eigene Unwissenheit liegt und welche zusätzliche Evidenz ein Problem überhaupt beurteilbar machen würde.
Darum werden unbekannte Felder zugänglicher. Experten starten weiterhin mit einem großen Wissensvorsprung. Eine schnelle Schleife aus Vergleich und Falsifikation kann Anfänger aber rasch aus dem Zustand „ich weiß nicht einmal, was die eigentlichen Fragen sind“ herausholen.
Experten werden dadurch nicht überflüssig. Tiefes implizites Wissen, Felderfahrung und verantwortliches Urteil bleiben wertvoll. Was sich ändert, ist die Geschwindigkeit, mit der Nicht-Experten das Gerüst bauen können, um Experten zu verstehen, schwache Aussagen zu prüfen und den nächsten Recherchepunkt zu finden.
11. Fazit — nicht nur Antworten verlangen, sondern die Auflösung weiter erhöhen
„KI macht Menschen stärker, die bereits verstehen“ ist richtig. Präziser wäre:
KI stärkt nicht nur Menschen, die bereits Bewertungskriterien besitzen, sondern auch jene, die sie schnell aufbauen, von außen importieren und ihre Schlussfolgerungen wiederholt unter Belastung testen können.
Man muss nicht alles am Anfang wissen. Weiter fragen: „Was machen andere?“ „Ist das normal?“ „Welche Ausnahmen gibt es?“ „Was ist die Evidenz?“. Dann noch einen Schritt weiter: „Welche Beobachtung würde mich zwingen, diese Hypothese aufzugeben?“. So wächst Urteilskraft auch in einem neuen Feld.
Stellt man einem Menschen diese Fragen dreißigmal, wirkt die Luft im Besprechungsraum irgendwann dünner. Die KI beantwortet auch noch das 29. „Und die Evidenz?“. Entscheidend ist aber nicht, dass man 29-mal fragen darf. Entscheidend ist, ob man in Runde 30 wirklich neu denkt, wenn die eigene Hypothese in Runde 29 zerbrochen ist.
The point is: pressure-test the output. Eine Antwort nicht bloß entgegennehmen, sondern so lange belasten, bis ihre schwachen Teile brechen. Was übrig bleibt, wird zum Material für Entscheidungen. Das ist ein großer Teil dessen, was der eigentliche „Boost“ bedeutet.
