KI verlagert das Denken bei der Arbeit
KI-Einführung verteilt Verarbeitung, Gedächtnis und Kontexturteil neu. Analysieren Sie diese, bevor Sie Prompts optimieren oder Geschwindigkeit messen.

Der sichtbarste Effekt von KI bei der Arbeit ist Geschwindigkeit. Ein Modell kann in Sekunden entwerfen, sortieren, vergleichen und zusammenfassen. Das macht „Zeitersparnis“ leicht diskutierbar – und lässt eine tiefere Veränderung leicht übersehen. Wenn ein Unternehmen ein großes Sprachmodell einführt, wird das Denken nicht einfach nur schneller. Teile des Denkens verlagern sich. Die Verarbeitung kann ins Modell wandern. Das Gedächtnis kann in einer Projektdatei, einem Entscheidungsprotokoll oder gar nirgends verlässlich liegen. Das Kontexturteil kann bei einer Person bleiben, auf mehrere Rollen aufgeteilt werden oder leise zwischen den Schritten verschwinden.
Diese Neuverteilung ist wichtig, da eine flüssige Antwort eine schwache Struktur verbergen kann. Wenn das Modell schnell arbeitet, aber die aktuellen Entscheidungen des Unternehmens nicht kennt, liefert es womöglich perfekte Arbeit auf Basis veralteter Prämissen. Wenn ein Mitarbeiter Kontext liefert, aber danach kein Protokoll aktualisiert wird, fängt die nächste Person von vorne an. Wenn niemand die Bewertung verantwortet, erzeugt Geschwindigkeit mehr Material, aber keine bessere Entscheidung. Die Frage ist also nicht nur: „Sollen wir KI nutzen?“, sondern: „Wo finden Verarbeitung, Gedächtnis und Kontextualisierung in diesem Workflow statt?“
Drei Funktionen prägen die Arbeit
Ein Bericht des Joint Research Centre von 2026 schlägt Verarbeitung, Gedächtnis und Kontextualisierung zur Analyse der Mensch-LLM-Arbeit in Unternehmen vor. Der Wert des Frameworks liegt nicht darin, für jede Aufgabe ein perfektes Design zu postulieren. Es gibt Teams ein Vokabular, um zu erkennen, was ihr Einführungsplan implizit gelassen hat.
Die Drei-Funktionen-Map
Verarbeitung
Transformation im Eiltempo: Entwerfen, Klassifizieren, Extrahieren, Vergleichen oder Reorganisieren von Material. Ein Modell kann viel davon übernehmen, aber die Aufgabe braucht ein definiertes Ergebnis und Inputs.
Gedächtnis
Die Aufzeichnungen, die der Arbeit Kontinuität geben: Quelldateien, Statusnotizen, Entscheidungen, Terminologie, Versionen, Ausnahmen und frühere Fehler. Der Chatverlauf allein ist selten ein ausreichendes organisationales Protokoll.
Kontextualisierung
Das Urteil, warum die Aufgabe hier wichtig ist: Zielgruppe, Konsequenz, Richtlinien, professionelle Normen, lokale Historie und was unsicher bleibt. Menschen und verantwortliche Rollen tragen meist diese Last.
Die Funktionen sind verbunden. Gute Verarbeitung hängt von nützlichem Gedächtnis und Kontext ab. Das Gedächtnis verbessert sich, wenn nach der Prüfung des Outputs Änderungen protokolliert werden. Kontext lässt sich leichter anwenden, wenn der Workflow Entscheidung, Belege und Verantwortliche sichtbar macht. Schwache Designs investieren oft zu viel in die Mitte – die Generierung – und lassen Anfang und Ende informell.
| Geschwindigkeitsorientierter Workflow | Workflow mit verteiltem Denken | |
|---|---|---|
| Vor dem Modell | Vorhandenes einfügen und eine Antwort anfordern | Entscheidung, Zielgruppe, Grenzen und Quellen festlegen |
| Bei der Verarbeitung | Auf ein poliertes Ergebnis optimieren | Das Modell für begrenzte, prüfbare Transformationen einsetzen |
| Nach dem Modell | Text bearbeiten und weitermachen | Aussagen prüfen, entscheiden, Änderungen protokollieren und das Arbeitsgedächtnis aktualisieren |
| Fehlersignal | Einen anderen Prompt versuchen | Prüfen, welche Funktion fehlt, veraltet ist oder am falschen Ort liegt |
Praxisbeispiel: eine quartalsweise Lieferantenprüfung
Lesen ist der Anfang. Üben macht den Unterschied.
Jetzt startenStellen Sie sich ein Einkaufsteam vor, das eine quartalsweise Lieferantenprüfung vorbereitet. Das Modell kann Vertragsnotizen, Serviceberichte und Protokolle zu einem Vergleichsentwurf verarbeiten. Das ist nützliche Verarbeitung. Es weiß nicht, welche Lieferverzögerung einen Produktionsplan änderte, welche Ausnahme temporär akzeptiert wurde oder welche Beziehungseinschränkung in der nächsten Verhandlung zählt, wenn diese Fakten nicht vorhanden und interpretierbar sind.
Workflow nach den drei Funktionen neu gestalten
- 1
Langsam rahmen
Der Category Lead legt die zu unterstützende Entscheidung, die relevanten Lieferanten, den Zeitraum, das Belegpaket und die nachverfolgbaren Behauptungen fest.
- 2
Schnell verarbeiten
Das freigegebene Modell extrahiert Service-Ereignisse, gruppiert sie nach Kriterien und markiert fehlende oder widersprüchliche Inputs, statt sie stillschweigend zu lösen.
- 3
Bewusst urteilen
Lead und Service Owner vergleichen den Entwurf mit den Quellen, ergänzen kaufmännischen Kontext und entscheiden, welche Punkte wesentlich sind.
- 4
Wissen sichern
Die finale Entscheidung, offene Fragen, akzeptierte Ausnahmen und das nächste Prüfdatum werden in den Lieferantendatensatz zurückgeschrieben – nicht im Chat belassen.
Das Modell hat das Denken nicht ersetzt. Es hat Ort und Zeitpunkt verändert. Menschlicher Aufwand verlagerte sich vorgelagert ins Framing und nachgelagert in Bewertung, Verantwortung und Protokollierung. Das umgebende Gedächtnis machte die schnelle Mitte nützlich. Dies ähnelt dem „langsam-schnell-langsam“-Muster des JRC: bewusste Vorbereitung, schnelle Modellverarbeitung, dann bewusste Prüfung und Aktualisierung des Gedächtnisses.
Struktur prüfen, bevor Sie den Prompt verbessern
Wenn eine KI-gestützte Aufgabe enttäuscht, sehen Teams oft nur den Prompt als anpassbar an. Die Drei-Funktionen-Map ermöglicht eine breitere Diagnose. Ein sachlicher Fehler kann auf schwache Verarbeitung, aber auch auf eine fehlende Quelle zurückgehen. Eine inkonsistente Antwort kann fehlende Terminologie oder eine veraltete Entscheidung widerspiegeln. Eine Empfehlung, die die Rahmenbedingungen ignoriert, kann zeigen, dass kein Kontexturteil geliefert oder zugewiesen wurde.
- Wählen Sie eine wiederkehrende KI-gestützte Aufgabe und notieren Sie die Entscheidung oder das Arbeitsergebnis, das sie unterstützt.
- Listen Sie auf, was das Modell verarbeitet, und markieren Sie Transformationen, die zu breit für eine Prüfung sind.
- Benennen Sie die Unterlagen für Kontinuität. Markieren Sie Wissen, das nur im Kopf einer Person oder in einem Chat liegt.
- Notieren Sie den nötigen Kontext: Zielgruppe, Konsequenzen, Richtlinien, lokale Vorgeschichte und offene Unsicherheit.
- Weisen Sie Framing, Bewertung und Gedächtnisaktualisierung jeweils einer verantwortlichen Rolle zu.
- Reparieren Sie eine schwache Übergabe, bevor Sie den Prompt ändern.
Zwei Bokili-Leitfäden stärken diese Zuordnung. Machen Sie Zuständigkeiten mit der KI-Arbeitsübergabe sichtbar: https://bokili.com/de/learn/ki-schulung-unternehmen-ki-arbeit-uebergeben. Nutzen Sie die rollenbasierte Kompetenzmatrix, um erwartetes Verhalten zu benennen: https://bokili.com/de/learn/ki-kompetenzen-mitarbeitende-rollenbasierte-matrix. Den passenden Lernpfad finden Sie unter https://bokili.com/de/for-hr.
Design für Kontinuität, nicht nur für Beschleunigung
Ein guter KI-Workflow ist nicht der, der den meisten Text durch ein Modell schleust. Es ist der, der jede Denkleistung dort platziert, wo sie erbracht, geprüft und weitergeführt werden kann. Das Modell liefert die Rechenleistung. Die Menschen tragen die Verantwortung für Kontext und Urteil. Die Organisation erhält ein Gedächtnis, das über die Sitzung hinaus Bestand hat. Sobald diese drei Funktionen sichtbar sind, wird Geschwindigkeit zu einer Designentscheidung – und nicht mehr zum alleinigen Maßstab für die Akzeptanz.
In Bokili üben
Machen Sie aus dem Gelesenen eine Zehn-Minuten-Mission.
- Jetzt starten
Denkprozesse verorten
Wählen Sie einen KI-gestützten Workflow und ordnen Sie Verarbeitung, Gedächtnis, Kontexturteil und finale Verantwortung zu.
- Jetzt starten
Eine schwache Übergabe beheben
Ändern Sie die Stelle, an der Kontext, Belege oder Entscheidungen verloren gehen, bevor Sie den Prompt ändern.
Quellen
- Human–LLM thinking in organisations — European Commission Joint Research Centre
- Thinking, faster and slower — European Commission Joint Research Centre
- AI Use Taxonomy: A Human-Centered Approach — NIST
Lesen ist der Anfang. Üben macht den Unterschied.
Bokili macht aus solchen Fähigkeiten Zehn-Minuten-Missionen für das ganze Team – mit sofortigem Feedback und sichtbarem Fortschritt.
Jetzt startenWeiterlesen

KI-Schulung für HR: Abwesenheitsnotizen ohne Gesundheitsannahmen
So erstellen HR-Teams eine minimale, operative Abwesenheitsnotiz – ohne Gesundheitsdetails preiszugeben, Ursachen zu erfinden oder Personalentscheidungen der KI zu überlassen.

KI-Lizenzen für einsatzbereite Aufgaben statt Wartelisten
Nutzen Sie vier Bereitschafts-Gates, um knappe KI-Zugänge für Aufgaben mit genehmigter Eingabe, klarem Ergebnis, Prüfverantwortlichem und Support-Route zuzuweisen.

KI-Kompetenzen für Mitarbeitende: Vertrauen vorab kalibrieren
Trainieren Sie Mitarbeitende, ihr Vertrauen vor der KI-Empfehlung zu bewerten, die entscheidende Aussage zu prüfen und aus der Lücke zwischen Prognose und Fakten zu lernen.