KI in Branchen, Prompts und Agenten

Deck die rechte Spalte ab und such zuerst selbst, zwei Minuten, ohne KI. Drei Sätze, mehrere Fehler.

Dann gib den Text einer KI, aber nicht als Frage, sondern als Auftrag: „Du bist ein genauer Prüfer. Prüfe den folgenden Text auf Logikfehler, falsche Fakten und ungenaue Begriffe. Nenne jeden Fehler, erkläre ihn in einem Satz und schlage eine korrigierte Fassung vor. Keine Einleitung.“ Vergleich mit deiner Liste. Hat die KI etwas gefunden, das du übersehen hast? Hat sie etwas erfunden?

Die Auflösung steht in der Tabelle. Achte vor allem auf eins: Auch der Prüfer kann falsch liegen. Genau diesen Prüfer baust du am Ende dieses Teils als festen Agenten.

Vier Bausteine reichen für die meisten Aufgaben. Die Rolle setzt Wortschatz und Blickwinkel. Das Ziel beschreibt ein Ergebnis, kein Thema: nicht „etwas über die Reparatur“, sondern „beantworte die Beschwerde“.

Der Kontext ist der Baustein, der den größten Unterschied macht. Ohne ihn erfindet die KI die Lücken: einen Anlass, einen Namen, einen Ton. Mit ihm weiß sie, dass der Kunde seit zehn Tagen wartet, wann das Teil kommt und dass im Laden geduzt wird.

Die Ergebnisform legt Format, Länge und Aufbau fest. Merk dir die vier Bausteine gut. Jede Anweisung für einen Agenten, die du am Ende dieses Teils schreibst, besteht aus genau diesen vier Teilen.

Rate zuerst selbst: Welcher Baustein fehlt? Deck dafür die rechte Spalte ab. Das sind vier Prompts, wie man sie jeden Tag sieht.

Beim ersten fehlt fast alles. Welches Projekt, für wen, wie lang? Die KI kann nur raten. Beim zweiten ist die Rolle da, aber Experte wofür? Und was heißt besser: kürzer, klarer, förmlicher? Beim dritten ist unklar, was „kurz“ heißt und ob die Chefin oder Laien den Text lesen. Beim vierten stimmen Form und Ton, aber die Absage an wen, wofür, warum? Wird geduzt oder gesiezt?

Du siehst: Meist fehlt der Kontext. Genau den übst du auf der nächsten Folie.

Few-Shot heißt: Du zeigst der KI Beispiele. Drei Produktbeschreibungen in deinem Stil, dann soll sie die vierte schreiben. Das funktioniert oft besser als jede Stilbeschreibung. One-Shot ist dasselbe mit einem einzigen Beispiel.

Einschränkende Prompts setzen Grenzen: Länge, Zielgruppe, verbotene Wörter. Iterativ heißt: Die erste Antwort ist ein Entwurf. Du sagst „kürzer“, „förmlicher“ oder „die Zahlen als Tabelle“. Du musst also nicht beim ersten Mal den perfekten Prompt schreiben.

Eine Systemanweisung ist eine Regel, die für das ganze Gespräch gilt. Genau das schreibst du später in deine Agenten. Und Doppeldeutigkeiten vermeidest du, indem du sagst, was du meinst: Was ist „kurz“? Sag es.

Vieles aus dem Werkzeugkasten übernehmen die großen Modelle inzwischen selbst. Die sogenannten Reasoning-Modelle denken vor der Antwort intern in Schritten. „Denk Schritt für Schritt“ bringt dort wenig. OpenAI rät in seiner Anleitung zu Reasoning-Modellen sogar davon ab, solche Denkschritte ausdrücklich zu verlangen. Die Rolle hilft noch, wirkt aber schwächer als früher.

Was die KI nicht selbst übernehmen kann, ist dein Kontext. Sie weiß nicht, wer deine Kundin ist, was deine Chefin erwartet und welche Zahl aus der letzten Besprechung stimmt. Und die Ergebnisform bleibt deine Entscheidung. Wenn du eine Tabelle zum Weiterarbeiten brauchst, sag es.

Daraus folgt die Regel, die bleibt, auch wenn die Modelle klüger werden: weniger Tricks, mehr Kontext.

Im Handel ist die klassische Frage: Wie viel verkaufe ich demnächst? Ein Modell lernt aus Verkaufszahlen, Wetter, Ferien und Aktionen. Dazu kommt generative KI für Produkttexte zu hundert Artikeln und Antworten auf Standardfragen. In der Logistik geht es um Touren, Zeiten und Papiere: welche Route, in welcher Reihenfolge, wann kommt die Lieferung an? Und KI liest Lieferscheine oder Frachtbriefe aus, statt dass jemand abtippt.

In der Industrie schaut eine Kamera auf jedes Bauteil am Band, ein Modell erkennt Kratzer oder Risse. Das ist dasselbe Prinzip wie Teachable Machine aus Teil 1, nur mit viel mehr Trainingsbildern. Vorausschauende Wartung heißt: Sensoren messen Vibration oder Temperatur, ein Modell erkennt Muster vor einem Ausfall, und gewartet wird, bevor die Linie steht.

In den Medien spart KI vor allem Handarbeit. Die Verantwortung ist dort besonders groß: Ein falsches Zitat landet bei Tausenden Menschen. Bei Bildern kommen Urheberrecht und Kennzeichnung dazu, darum geht es in Teil 5.

Stell dir ein Satellitenbild der Mission Sentinel-2 aus dem europäischen Copernicus-Programm vor: Mecklenburg-Vorpommern und das Stettiner Haff im Winter. Du siehst Wasser, weißes Eis auf dem Haff, das Flickwerk der Äcker und dunkle Flächen, die Wald sind. Genau das macht eine KI mit jedem Pixel. Die ESA hat so eine Karte für die ganze Welt erstellt, ESA WorldCover, aus Daten von Sentinel-1 und Sentinel-2. Unter viewer.esa-worldcover.org kannst du in eine Gegend zoomen, die du kennst.

Im Umwelt- und Artenschutz erkennt BirdNET Vögel am Gesang, entwickelt vom Cornell Lab of Ornithology und der TU Chemnitz. Pl@ntNet aus einem französischen Forschungskonsortium erkennt Pflanzen am Foto. In der Landwirtschaft erkennt die in Berlin gegründete App Plantix Pflanzenkrankheiten am Handyfoto. Und bei See & Spray von John Deere erkennen Kameras Unkraut und steuern die Düsen einzeln, gespritzt wird nur dort.

In Planung und Bau ist es vor allem generative KI: Protokolle schreiben, Umweltberichte gliedern, Stellungnahmen aus Bürgerbeteiligungen auswerten, Metadaten beschreiben. Wo würdest du in deiner Arbeit zuerst ansetzen?

Rate zuerst selbst und deck dafür die Spalten „Lösung“ und „Warum“ ab. Die Frage ist jedes Mal dieselbe: Ordnet die KI etwas ein oder schätzt sie einen Wert, oder schreibt sie etwas Neues?

Beim Satellitenbild bekommt jedes Pixel eine Klasse, das ist vorhersagend. Ebenso die Vogelstimme: Aufnahme rein, Art mit Wahrscheinlichkeit raus. Auch die Ernte wird aus Satellitendaten, Wetter und Vorjahren geschätzt. Das Kapitel im Umweltbericht und die Beschreibung des Datensatzes sind generativ, ein neuer Text entsteht, und eine Fachperson prüft ihn.

Die letzte Zeile ist die interessanteste. Bei zweihundert Stellungnahmen kommt oft beides zusammen: erst sortieren, dann zusammenfassen. So sehen viele echte Prozesse aus.

Jetzt wendest du die Kriterien an. Grün heißt: gut für KI. Gelb: nur als Vorschlag. Rot: Finger weg. Deck die rechten Spalten ab und färb jede Aufgabe zuerst selbst ein.

Das Protokoll ist grün, weil es sich wiederholt, eine feste Form hat und du es prüfen kannst. Die Vogelbestimmung per App ist gelb: ein guter Vorschlag, aber im Gutachten bestätigt eine Fachperson. Förderanträge automatisch zu entscheiden ist rot, denn das ist eine Entscheidung über Menschen. Und Kundenmails ohne Prüfung zu versenden ist rot, weil du den Fehler erst siehst, wenn der Schaden da ist.

Nimm danach eine Aufgabe aus deinem eigenen Alltag und färb sie genauso ein.

Die wichtigste Frage bei jedem Agenten ist: Wie viel darf er allein? Dafür gibt es keine einheitliche Norm. Hier hilft ein einfaches Modell mit vier Stufen. Je höher die Stufe, desto besser müssen Prüfung, Protokoll und Notbremse sein.

Überleg bei den drei Beispielen zuerst selbst, bevor du liest. Kundenmails gehören auf Stufe zwei: Der Agent schreibt den Entwurf, ein Mensch klickt auf Senden. Einen Termin im eigenen Kalender darf er auf Stufe drei eintragen. Und eine Überweisung? Stufe eins oder gar nicht.

Die Agenten, die du gleich baust, stehen auf Stufe eins. Sie antworten, wenn du sie fragst. Sie schicken nichts ab und buchen nichts. Genau richtig zum Lernen.

Fast jede Plattform bietet inzwischen eigene Assistenten an. In Copilot heißen sie Agenten, in ChatGPT GPTs, in Gemini Gems und in Claude Projekte. Die Idee ist überall gleich: Du schreibst eine feste Anweisung, die für jedes Gespräch gilt, gibst Wissen oder Werkzeuge dazu, und der Assistent arbeitet danach.

Sollen mehrere Schritte und Programme verbunden werden, kommen Automatisierungswerkzeuge dazu: n8n, Make, Power Automate oder Zapier. Das ist der Weg zu höheren Autonomiestufen.

Auf den nächsten Folien geht es um Copilot. Welche Funktionen im Agent Builder erscheinen, hängt von der Lizenz und den Freigaben in deinem Firmenkonto ab. Mit einem anderen Werkzeug klappt es nach demselben Muster.