KI im Team: Aus ersten Tests wird verlässliche Praxis

In einem Team nutzt eine Mitarbeiterin KI, um einen ersten Entwurf für eine Kundeninformation zu erstellen. Ein Kollege fasst damit Besprechungen zusammen. Andere verzichten darauf, weil unklar ist, welche Daten eingegeben werden dürfen oder wer für das Ergebnis geradesteht. Die Beschäftigten sammeln Erfahrungen – aber jede und jeder auf eigene Weise.

Für Führungskräfte ist deshalb eine andere Frage entscheidend als die nach dem nächsten Werkzeug: Welche konkrete Arbeit soll besser oder einfacher werden? KI-Kompetenz zeigt sich im Alltag daran, ob Beschäftigte eine passende Aufgabe auswählen, das Ergebnis fachlich beurteilen und die Grenzen des Werkzeugs beachten können.

Zugang allein schafft noch keine Lernroutine

Wenn Beschäftigte KI individuell einsetzen, entstehen oft kleine Verbesserungen – aber auch unterschiedliche Vorgehensweisen. Eine Person prüft jede Aussage, eine andere übernimmt den Text fast unverändert. Manche verwenden freigegebene Informationen, andere sind unsicher, ob sie Kundendaten eingeben dürfen. Das Ergebnis hängt dann stark davon ab, wer die Aufgabe bearbeitet.

Eine randomisierte sechsmonatige Feldstudie mit 7.137 Wissensarbeitenden aus 66 Unternehmen zeigt die Grenze individueller Nutzung: In der zweiten Hälfte des Experiments verbrachten die Beschäftigten der Behandlungsgruppe, die das Werkzeug nutzten – rund 80 Prozent dieser Gruppe –, wöchentlich zwei Stunden weniger mit E-Mails und weniger Zeit mit Arbeit außerhalb ihrer üblichen Arbeitszeit. Die Forschenden beobachteten jedoch keine Veränderungen bei Umfang und Zusammensetzung der Aufgaben. Einzelne Arbeitsschritte können also leichter werden, ohne dass sich die Zusammenarbeit im Team automatisch mitverändert. Einige Autoren waren bei Microsoft beschäftigt; die Ergebnisse beziehen sich auf den untersuchten Einsatzrahmen.

Eine weitere Untersuchung aus dem Kundensupport deutet auf einen anderen möglichen Effekt: Dort stieg die Zahl gelöster Anliegen pro Stunde im Durchschnitt um 14 Prozent; bei weniger erfahrenen Beschäftigten betrug der Zuwachs 34 Prozent, während er bei sehr erfahrenen gering ausfiel. Die Forschenden fanden Hinweise darauf, dass das Assistenzsystem Vorgehensweisen erfahrener Kolleginnen und Kollegen weitergab. Das ist ein konkreter Befund aus einem bestimmten Arbeitsumfeld, kein Versprechen für andere Branchen. Er lenkt den Blick aber auf eine wichtige Frage: Wie wird hilfreiches Wissen aus einzelnen KI-gestützten Arbeitssituationen für andere nutzbar?

Mit einer konkreten Aufgabe anfangen

Ein sinnvoller Einstieg ist eine wiederkehrende Aufgabe mit überschaubarem Risiko, zum Beispiel das Dokumentieren der nächsten Schritte nach Kundengesprächen. Führungskraft und Beteiligte betrachten zunächst den ganzen Arbeitsschritt: Welche Informationen liegen vor, was soll am Ende entstehen und welche Vorgaben muss das Ergebnis erfüllen? Danach klären sie:

• Wo entsteht heute unnötiger Aufwand oder wiederkehrende Nacharbeit?
• Welche Informationen darf das Werkzeug erhalten – und welche nicht?
• Woran erkennen wir, dass das Ergebnis fachlich brauchbar ist?
• Wer prüft es, bevor es weitergegeben oder verbindlich genutzt wird?

So wird aus „Wir sollten mehr mit KI machen“ ein überprüfbarer Versuch. Das Team kann zum Beispiel festlegen, dass KI eine Gesprächsnotiz strukturiert, aber keine Zusagen ergänzt oder ungeprüft an Kunden versendet. Vor dem Start muss auch klar sein, welche Informationen in der freigegebenen Anwendung verarbeitet werden dürfen. Die fachliche Verantwortung bleibt bei der Person, die das Ergebnis prüft und freigibt.

Auftrag und Kontext machen den Unterschied

Eine Anfrage wie „Fasse das zusammen“ lässt offen, was wichtig ist. Soll die Zusammenfassung Entscheidungen, offene Fragen oder nächste Schritte enthalten? Für wen ist sie gedacht? Auf welche Unterlagen darf sie sich stützen? Wenn diese Angaben fehlen, muss die KI Lücken selbst füllen. Das Ergebnis kann flüssig klingen und trotzdem am Bedarf vorbeigehen.

Das lässt sich an einem Beispiel aus der Personalentwicklung zeigen: Ein Team möchte anonymisierte Rückmeldungen aus einem Führungskräftetraining für die Planung einer Folgesession ordnen. Die KI kann wiederkehrende Themen bündeln und einen ersten Entwurf für die Gliederung liefern. Die Trainerin prüft anschließend, ob wichtige Unterschiede zwischen den Rückmeldungen verloren gegangen sind, ob die Gliederung zum Lernziel passt und ob aus einer Vermutung versehentlich eine vermeintliche Tatsache geworden ist. Personenbezogene oder vertrauliche Angaben gehören nur dann in den Prozess, wenn die Anwendung dafür freigegeben ist.

Der Auftrag kann dafür festlegen, welches Material maßgeblich ist, welche Inhalte ausgeschlossen bleiben und wie das Ergebnis aussehen soll. Zum Beispiel soll die KI Themen bündeln, Beobachtungen von Deutungen trennen und offene Fragen sichtbar machen. Wenn die erste Fassung wichtige Unterschiede verwischt, braucht es mehr als eine Bitte um „bessere Formulierung“: Das Team muss klären, welche Unterscheidung fehlt, den Kontext ergänzen und das überarbeitete Ergebnis erneut prüfen.

Auch der Grad der Automatisierung sollte zur Aufgabe passen. Bei einem ersten Entwurf kann die KI Vorschläge machen, die ein Mensch überarbeitet. Bei einem klar abgegrenzten, wiederkehrenden Schritt lässt sich eventuell mehr automatisieren – sofern Zugriffsrechte, Ausnahmen und Freigaben geregelt sind. Für eine Kundeninformation bleibt zum Beispiel nachvollziehbar, wer sie fachlich geprüft und freigegeben hat. Je folgenreicher ein Fehler wäre, desto klarer müssen menschliche Kontrolle und Eingriffsmöglichkeit sein.

Ein guter erster Test lässt die KI deshalb einen Entwurf vorbereiten, aber noch keine externe Nachricht versenden oder verbindliche Daten ändern. Erst wenn der Ablauf in typischen und schwierigen Fällen verstanden ist, kann das Team prüfen, ob einzelne Schritte eigenständig ausgeführt werden dürfen. Für solche Fälle braucht es klar begrenzte Zugriffe, einen nachvollziehbaren Prüfweg und eine Möglichkeit, den Vorgang zu stoppen oder an einen Menschen zurückzugeben.

Lernen braucht Zeit, Austausch und klare Grenzen

Eine Schulung kann den Einstieg erleichtern. Ob daraus eine brauchbare Teamroutine wird, zeigt sich erst bei echten Aufgaben. Die Beteiligten sollten festhalten, was funktioniert, wo Fehler oder zusätzlicher Prüfaufwand entstehen und welche Informationen für ein gutes Ergebnis fehlen. So bleibt das Lernen an der Arbeit verankert, statt nach dem Workshop wieder zu versanden.

Wie groß der Abstand zwischen Nutzung und Lernen sein kann, zeigt eine OECD-Befragung aus dem Jahr 2024: Von den befragten KMU, die generative KI nutzten, gaben 23,6 Prozent an, dass Beschäftigte an KI-bezogenen Schulungen teilnehmen. Die Zahl beschreibt die befragten Unternehmen, nicht alle Betriebe. Sie macht dennoch sichtbar, dass praktische Nutzung Weiterbildung nicht automatisch mit sich bringt.

Führungskräfte müssen nicht jede Anwendung selbst beherrschen. Ihre Aufgabe ist es, Zeit zum Üben zu ermöglichen und zu klären, wer Ergebnisse prüft und freigibt. In kurzen Austauschrunden kann das Team konkrete Beispiele besprechen: Was hat Zeit gespart? Wo musste nachgebessert werden? Wann war die eigene Prüfung ausschlaggebend? Gute Abläufe werden festgehalten – ebenso die Fälle, in denen KI nicht eingesetzt werden sollte.

Wichtig ist, dass aus einer Korrektur eine bessere nächste Runde wird. Wenn die KI regelmäßig wichtige Zwischenschritte auslässt, kann das Team den Arbeitsauftrag präzisieren, zusätzliche Informationen bereitstellen oder den Ablauf an dieser Stelle bewusst einem Menschen überlassen. Die Erfahrung bleibt dann nicht als persönlicher Kniff bei einer Person, sondern verbessert die gemeinsame Vorgehensweise.

Dafür reicht ein kurzes gemeinsames Protokoll: Welche Aufgabe haben wir getestet? Welche Informationen und Vorgaben haben geholfen? Wo lag der Prüfaufwand? Was sollte beim nächsten Mal anders laufen? So kann aus einem gelungenen Versuch eine wiederholbare Arbeitsweise werden. Gleichzeitig bleibt sichtbar, unter welchen Bedingungen sie funktioniert – und wo ein neuer Kontext eine erneute Prüfung verlangt.

Erfolg an der Arbeit messen

Ob die neue Arbeitsweise trägt, zeigt sich am vereinbarten Beispiel: Ist das Arbeitsergebnis brauchbar? Wie viel Korrektur ist nötig? Bleiben Datenregeln und Zuständigkeiten klar? Wissen die Beteiligten, wann eine Person selbst entscheiden muss? Die Zahl der Konten, Prompts oder Pilotprojekte sagt darüber wenig aus.

Wenn das Team diese Punkte gemeinsam klärt, kann eine Kollegin oder ein neuer Kollege den Ablauf nachvollziehen, das Ergebnis prüfen und sinnvoll weiterarbeiten. Die nächste Person muss dann nicht wieder bei null anfangen.

Quellen
Dillon et al., Shifting Work Patterns with Generative AI(NBER Working Paper 33795, 2025). Randomisiertes Feldexperiment mit 7.137 Wissensarbeitenden in 66 Unternehmen; einige Autoren waren bei Microsoft beschäftigt.
Brynjolfsson, Li & Raymond, Generative AI at Work(NBER Working Paper 31161, 2023; veröffentlicht im Quarterly Journal of Economics , 2025). Untersuchung im Kundensupport; die Ergebnisse lassen sich nicht ohne Weiteres auf andere Tätigkeiten übertragen.
OECD, Generative AI and the SME Workforce(2025), basierend auf einer Befragung von KMU im Jahr 2024.