Prompt Engineering vs. Context Engineering: Wo liegt der Unterschied?

Prompt Engineering war 2023 die Antwort auf eine einfache Frage: Wie formuliere ich meine Anfrage so, dass das Modell liefert? Die Regeln kennen Sie vermutlich: klar und direkt schreiben, eine Rolle vergeben, Beispiele zeigen, ein Ausgabeformat verlangen. Das funktioniert bis heute, und zwar gut, solange es um eine einzelne Aufgabe in einem einzelnen Chat geht.

Nur arbeiten Unternehmen 2026 anders mit KI. Ein Projekt läuft über Wochen. Das Modell greift auf Dokumente, Datenbanken und Werkzeuge zu. KI-Agenten arbeiten in Schleifen und erzeugen bei jedem Schritt neue Informationen, die für den nächsten Schritt relevant sein könnten oder auch nicht. Die entscheidende Frage lautet deshalb nicht mehr „Wie formuliere ich das?“, sondern „Welche Zusammenstellung des Kontexts führt am wahrscheinlichsten zum gewünschten Verhalten?“

Anthropic bezeichnet Context Engineering als die natürliche Weiterentwicklung des Prompt Engineering. Der Kern des Unterschieds: Ein Prompt wird einmal geschrieben. Der Kontext wird bei jedem Aufruf des Modells neu kuratiert. Das folgende Raster zeigt die Unterschiede auf einen Blick:

Eigene Darstellung auf Basis von Anthropic, „Effective context engineering for AI agents“ (29. September 2025).

Woher der Begriff kommt

Der Begriff ist jung. Im Juni 2025 schlug Shopify-CEO Tobi Lütke auf X vor, statt von Prompt Engineering von Context Engineering zu sprechen, weil es die eigentliche Fähigkeit besser beschreibe: dem Modell den gesamten Kontext zu liefern, mit dem die Aufgabe plausibel lösbar ist. Andrej Karpathy, Gründungsmitglied von OpenAI, griff das am 25. Juni 2025 auf und beschrieb Context Engineering als die feine Kunst und Wissenschaft, das Kontextfenster mit genau den richtigen Informationen für den nächsten Schritt zu füllen. Am 29. September 2025 veröffentlichte das Applied-AI-Team von Anthropic den Beitrag „Effective context engineering for AI agents“, der bis heute die meistzitierte Referenz zum Thema ist und auf den sich dieser Artikel in weiten Teilen stützt.

Ist Prompt Engineering damit tot?

Nein. Eine vage Anweisung bleibt eine vage Anweisung, egal wie gut der Rest des Kontexts kuratiert ist. Prompt Engineering ist heute eine Schicht innerhalb eines größeren Systems. Was sich geändert hat, ist die Reihenfolge der Fragen: Zuerst klären Sie, was das Modell wissen muss und was nicht. Dann formulieren Sie die Anweisung. Wer nur an der Formulierung feilt, während das Modell mit 300 Seiten veralteter Dokumente kämpft, optimiert an der falschen Stelle.

Warum Kontext-Engineering 2026 wichtiger ist als jedes Prompt-Template

Auf den ersten Blick wirkt es paradox. Die Kontextfenster sind in zwei Jahren enorm gewachsen. Claude Opus 5 und Claude Sonnet 5 verarbeiten im Chat auf allen bezahlten Plänen bis zu 1 Million Tokens. Zum Vergleich: Anthropic gibt für 200.000 Tokens etwa 500 Textseiten an, eine Million Tokens entspricht also grob 2.500 Seiten. Warum sollte man da noch kuratieren, wenn einfach alles hineinpasst?

Die Antwort liefert die Forschung. Chroma Research testete im Juli 2025 unter dem Titel „Context Rot“ 18 aktuelle Sprachmodelle und stellte fest: Mit steigender Zahl an Tokens im Kontextfenster sinkt bei allen Modellen die Fähigkeit, Informationen daraus korrekt abzurufen. Manche Modelle bauen sanfter ab als andere, aber keines ist immun. Ein Detail am Rande, das für Claude-Nutzer interessant ist: Bei Störinformationen im Kontext zeigten die Claude-Modelle in der Chroma-Studie die niedrigsten Halluzinationsraten und gaben im Zweifel lieber keine Antwort, statt eine falsche zu erfinden. Anthropic beschreibt das mit dem Bild eines Aufmerksamkeitsbudgets: Jeder zusätzliche Token verbraucht einen Teil davon. Technisch liegt das an der Transformer-Architektur, in der jeder Token zu jedem anderen Token in Beziehung gesetzt wird, und daran, dass Modelle in der Ausbildung deutlich häufiger kurze als sehr lange Sequenzen gesehen haben.

Die Konsequenz für die Praxis: Kontext ist eine endliche Ressource mit abnehmendem Grenznutzen. Ein Projekt, in das Sie den kompletten SharePoint-Ordner hochladen, ist kein Kontext-Engineering. Die 40 Seiten, die für die Aufgabe wirklich zählen, sind es. Dazu kommt ein wirtschaftlicher Aspekt: Jeder Token kostet Rechenzeit, über die API bares Geld und im Chat einen Teil Ihres Nutzungskontingents. Kuratieren ist damit nicht nur eine Qualitäts-, sondern auch eine Kostenfrage.

Wer das verstanden hat, sieht auch, warum Kontext-Engineering ein Führungsthema ist. Es entscheidet, ob KI im Unternehmen zuverlässig und wiederholbar Ergebnisse liefert oder ob jeder Mitarbeiter täglich neu improvisiert. Genau hier setzt eine gute KI-Strategie für Unternehmen an: Sie legt fest, welches Wissen in welcher Form für KI-Systeme aufbereitet wird.

Die sechs Bausteine eines guten Kontexts (nach Anthropic)

Anthropics Leitprinzip lautet: Finden Sie die kleinstmögliche Menge an Tokens mit hohem Signalwert, die das gewünschte Ergebnis am wahrscheinlichsten macht. Das klingt einfach, ist in der Umsetzung aber Handwerk. Die folgenden sechs Bausteine fassen zusammen, worauf es laut dem Anthropic-Beitrag bei jedem Bestandteil des Kontexts ankommt. Sie gelten für Claude, lassen sich aber genauso auf ChatGPT, Gemini oder Copilot übertragen.

Welche Technik passt, hängt laut Anthropic von der Aufgabe ab: Compaction für Aufgaben mit viel Hin und Her, Notizen für iterative Arbeit mit klaren Meilensteinen, Sub-Agenten für komplexe Recherche und Analyse, bei der sich paralleles Erkunden lohnt.

Context Engineering für Claude: So setzt Anthropic es in der Praxis um

Anthropic hat Kontext-Engineering auf drei Ebenen in seine Produkte eingebaut: in die Claude-App mit Projekten, in Claude Code und in die API für eigene Anwendungen. Für die meisten Unternehmen ist die erste Ebene die wichtigste, deshalb beginne ich dort.

1. Im Claude-Chat und in Claude Projekten

• Kontextfenster: Claude Opus 5 und Claude Sonnet 5 bieten im Chat auf allen bezahlten Plänen 1 Million Tokens. Claude Opus 4.8, 4.7 und 4.6 sowie Sonnet 4.6 bieten 500.000 Tokens, alle übrigen Modelle 200.000 Tokens, was etwa 500 Seiten Text entspricht.
• Automatische Kontextverwaltung: Auf bezahlten Plänen mit aktivierter Code-Ausführung fasst Claude frühere Nachrichten automatisch zusammen, sobald ein Gespräch an das Limit kommt. Das zählt nicht zum Nutzungslimit, und der vollständige Verlauf bleibt erhalten. Wenn Claude in langen Gesprächen „seine Gedanken ordnet“, ist genau das im Gang.
• Projekte: Ein Projekt kombiniert Projektanweisungen (Rolle, Regeln, Ton) mit Projektwissen (Dateien und eingefügter Text). Auf bezahlten Plänen schaltet Claude automatisch in einen RAG-Modus, sobald das Projektwissen an die Kontextgrenze kommt: Statt alles zu laden, durchsucht Claude die Dokumente und holt nur die relevanten Passagen. Die Kapazität steigt damit um bis zu das Zehnfache, ein Indikator im Projekt zeigt den Modus an. Anthropic empfiehlt, Projektanweisungen knapp zu halten und für Rolle, Kernregeln und allgemeinen Kontext zu nutzen.
• Memory: Claude merkt sich auf Wunsch Ihren beruflichen Kontext und Ihre Arbeitsweise. Das Gedächtnis ist nach Projekten getrennt (jedes Projekt hat sein eigenes), einsehbar und editierbar. Incognito-Chats landen weder in der Chronik noch im Gedächtnis.
• Skills: Skills sind wiederverwendbare Ordner mit einer Datei SKILL.md, die Claude Fachwissen und Arbeitsabläufe beibringen. Der Clou für das Kontext-Engineering: Bis ein Skill ausgelöst wird, belegen nur sein Name und seine Beschreibung Platz im Kontext. Sie können also viele Skills installieren, ohne dass der Kontext darunter leidet. Anthropic hat Skills im Oktober 2025 eingeführt und das Format als offenen Standard veröffentlicht. Wie Sie eigene Skills aufbauen, zeigt unser Praxisguide KI Skills erstellen.

2. In Claude Code

Claude Code ist das Anschauungsbeispiel im Anthropic-Beitrag. Die Datei CLAUDE.md wird zu Beginn in den Kontext geladen, alle weiteren Dateien holt sich das Modell mit Such- und Dateibefehlen bei Bedarf. Nähert sich ein Gespräch dem Limit, fasst Claude Code den Verlauf zusammen und arbeitet mit der Zusammenfassung plus den fünf zuletzt genutzten Dateien weiter. Eine To-do-Liste dient als Notizbuch über viele Werkzeugaufrufe hinweg, und Sub-Agenten übernehmen abgegrenzte Teilaufgaben. Wer sehen will, wie Kontext-Engineering in einem echten Agenten aussieht, findet hier das beste Studienobjekt.

3. Über die Claude API für eigene Anwendungen

Für Teams, die eigene KI-Assistenten oder Agenten bauen, hat Anthropic die Techniken aus dem Beitrag als Funktionen der API bereitgestellt: Context Editing entfernt alte Werkzeugergebnisse und Denkschritte automatisch aus dem Verlauf. Die serverseitige Compaction (seit Januar 2026 als Beta verfügbar) fasst den Verlauf zusammen und ersetzt ihn durch die Zusammenfassung, wobei sich mit eigenen Anweisungen steuern lässt, was erhalten bleibt. Das Memory Tool erlaubt es Claude, Wissen in Dateien außerhalb des Kontextfensters zu speichern und später wieder zu lesen. Anthropic empfiehlt, Compaction und Memory Tool zu kombinieren: Compaction hält den aktiven Kontext klein, Memory sichert, was die Zusammenfassung überleben muss. Einen Einstieg in die Plattformen für eigene Agenten gibt unser Guide KI-Agenten selber erstellen. Wie Sie solche Bausteine ohne Entwicklerteam nutzen, zeigen wir im Workshop Eigene KI-Tools bauen.

4. Prompt-Tipps, die bei Claude nachweislich wirken

Prompt Engineering bleibt eine Schicht des Ganzen. Diese Empfehlungen stammen direkt aus Anthropics Dokumentation:

• Lange Dokumente oben, Frage unten. Bei Eingaben ab etwa 20.000 Tokens gehören die Dokumente an den Anfang und die Frage ans Ende. In Anthropics Tests verbesserte das die Antwortqualität um bis zu 30 Prozent, besonders bei mehreren Dokumenten.
• XML-Tags als Struktur. Trennen Sie Anweisungen, Beispiele und Dokumente mit Tags wie <instructions>, <example> oder <document>. Das verhindert, dass Claude Beispiele mit Anweisungen verwechselt.
• Erst zitieren, dann antworten. Bitten Sie Claude bei langen Dokumenten, zuerst die relevanten Passagen zu zitieren. Das schneidet das Rauschen des restlichen Dokuments weg.
• Rolle in die Systemanweisung, Aufgabe in die Nachricht. Die Rolle gehört in den Systemprompt beziehungsweise in die Projektanweisungen, die konkrete Aufgabe in den Chat.
• Die goldene Regel: Zeigen Sie Ihren Prompt einem Kollegen ohne Vorwissen. Versteht er die Aufgabe nicht, versteht Claude sie auch nicht.

Wer diese Grundlagen in einem Tag sauber lernen will, ist im Workshop Claude für Manager richtig, dem ersten Tag der Claude AI Masterclass.

Claude vs. ChatGPT: Kontext-Engineering im direkten Vergleich

Beide Anbieter stellen im Prinzip dieselben Bausteine bereit: ein Kontextfenster, Projekte mit Anweisungen und Dateien, ein Gedächtnis und wiederverwendbare Anleitungen. Die Unterschiede liegen im Detail, und genau die Details entscheiden im Alltag. Die Tabelle fasst den Stand vom 27. August 2026 zusammen, jeweils nach den Angaben der Hersteller:

Quellen: Anthropic Help Center (Kontextfenster, Projekte, Memory), Anthropic Platform Docs (Skills), OpenAI Preisseite chatgpt.com/pricing und OpenAI Help Center (Projekte), alle abgerufen am 27. August 2026. Details und Links in der Quellenliste am Ende.

Meine Einordnung

Drei Punkte fallen im Vergleich auf. Erstens bekommen Sie bei Claude das große Kontextfenster ab dem ersten bezahlten Plan, bei ChatGPT wächst es mit dem Preis. Für Teams, die regelmäßig mit langen Verträgen, Ausschreibungen oder Studien arbeiten, ist das ein handfester Unterschied. Zweitens macht Claude den Übergang in den RAG-Modus sichtbar. Sie sehen, wann Ihr Projekt zu groß wird, und können gegensteuern. Drittens hat ChatGPT Projekte auch im kostenlosen Plan und lässt Chats innerhalb eines Projekts aufeinander aufbauen, während Claude Beständiges konsequent ins Projektwissen und in die projektbezogene Memory verlagert.

Der wichtigste Punkt steht aber nicht in der Tabelle: Beide Werkzeuge belohnen dieselbe Disziplin. Wer seinen Kontext kuratiert, bekommt in beiden Systemen bessere Ergebnisse, wer alles hineinkippt, in beiden schlechtere. Ich bleibe deshalb bewusst werkzeugneutral. Welche Plattform für Ihr Unternehmen passt, klären wir im Workshop Aktuelle KI-Tools im Vergleich, und wer ChatGPT als Standardwerkzeug hat, findet die passende Vertiefung im ChatGPT Praxis-Workshop.

Praxisbeispiel: Kontext-Engineering mit Claude Projekten in fünf Schritten

Theorie ist gut, ein Beispiel ist besser. Ich nehme einen Fall aus unserem eigenen Alltag in der Akademie für KI: Angebote schreiben. Jedes Angebot ist anders, aber Preislogik, Leistungskatalog, Ton und Struktur bleiben gleich. Genau diese Trennung zwischen Konstantem und Variablem ist der Kern von Kontext-Engineering, und Claude Projekte bilden sie sauber ab.

Zwei Feinheiten, die in der Praxis den Unterschied machen. Erstens teilen Chats innerhalb eines Claude Projekts ihren Kontext nicht automatisch. Was für jedes Angebot gelten soll, gehört deshalb in die Anweisungen oder ins Projektwissen, nicht in einen einzelnen Chat. Für wiederkehrende Vorlieben hilft zusätzlich die projektbezogene Memory. Zweitens sagt Ihnen der RAG-Indikator im Projekt, wann Ihr Wissen zu groß geworden ist. Dann heißt es nicht „mehr hochladen“, sondern „aufräumen“ oder das Projekt teilen, etwa in „Angebote Workshops“ und „Angebote Beratung“.

Wenn ein Ablauf über mehrere Projekte hinweg gleich bleibt, etwa die Formatierung als Word-Dokument, lagern Sie ihn in einen Skill aus (Beispiele dafür finden Sie im Beitrag Claude Skills erstellen). Der Skill liegt außerhalb des Projekts, belegt bis zu seiner Aktivierung fast keinen Kontext und steht in jedem Chat zur Verfügung.

Die sieben häufigsten Fehler beim Context Engineering (und was stattdessen hilft)

In unseren Workshops sehen wir immer wieder dieselben Muster. Keines davon ist ein Formulierungsproblem, alle sind Kontextprobleme:

Fazit: Kontext ist die neue Kernkompetenz

Die Modelle sind gut genug. Der Unterschied zwischen Teams, die mit KI zuverlässig liefern, und Teams, die täglich improvisieren, liegt 2026 im Kontext: welches Wissen aufbereitet ist, welche Anweisungen stehen, welche Beispiele zeigen, wie gut aussieht. Prompt Engineering bleibt Teil davon, aber es ist nicht mehr die ganze Geschichte. Wer Kontext-Engineering im Unternehmen verankern will, braucht drei Dinge: Mitarbeiter, die die Bausteine kennen, eine Wissensbasis, die dafür gepflegt wird, und eine KI-Strategie, die beides zusammenhält. Alle drei lassen sich in Wochen aufbauen, nicht in Jahren.

Faktenstand dieses Artikels: 27. August 2026. Kontextfenster, Pläne und Funktionen ändern sich laufend. Wir aktualisieren den Beitrag bei wesentlichen Änderungen.

Lukas Görög

KI-Stratege · Gründer der Akademie für KI und Digitalisierung

Lukas Görög berät Vorstände, Geschäftsführer und Führungskräfte im DACH-Raum bei der strategischen KI-Implementierung. Ehemaliger AI Lead der NZZ Zürich und KI-Dozent an der ZHAW. Er verbindet mehr als zehn Jahre Praxiserfahrung in KI und Daten mit dem Anspruch, komplexe Technologie verständlich und umsetzbar zu machen.

Warum HR-Prozesse ideale Kandidaten für KI sind

Kaum ein Unternehmensbereich arbeitet so textlastig wie HR. Stellenanzeigen, Kandidatenansprache, Absagen und Zusagen, Zeugnisse, Onboarding-Unterlagen, Richtlinien, interne Ankündigungen: Der Großteil der Personalarbeit besteht aus dem Erstellen, Anpassen und Zusammenfassen von Texten. Genau das ist die Kernstärke generativer KI.

Dazu kommt der zweite Faktor: Wiederholung. Viele HR-Aufgaben folgen demselben Muster, nur mit anderen Namen, Positionen und Details. Wo sich Muster wiederholen, lassen sich Vorlagen und Prompts aufbauen, die aus einer Stunde Arbeit wenige Minuten machen. Und weil HR-Teams in den meisten Unternehmen eher knapp besetzt sind, wirkt jede eingesparte Routinestunde direkt dort, wo sie gebraucht wird: im Gespräch mit Menschen, bei Kandidaten, Führungskräften und Mitarbeitern.

Wichtig ist die richtige Erwartung: KI optimiert im HR vor allem die vorbereitende und dokumentierende Arbeit. Die Entscheidungen über Menschen, von der Einstellung bis zur Entwicklung, bleiben beim Menschen. Wie das zusammenpasst, sehen wir uns weiter unten im Abschnitt zu Grenzen und EU AI Act genauer an. Wer das Thema strategisch aufsetzen will, findet in unserer KI-Strategie für Unternehmen den passenden Rahmen.

Diese HR-Prozesse optimieren Sie mit KI

Aus unseren Workshops mit HR-Teams haben sich vier Prozessfelder herauskristallisiert, in denen KI am schnellsten spürbare Wirkung zeigt. Für jedes Feld sehen Sie konkrete Aufgaben und ein typisches Vorgehen aus der Praxis.

Sie merken das Muster: KI übernimmt den ersten Entwurf und die Struktur, HR übernimmt Prüfung, Feinschliff und Entscheidung. Wer diese Arbeitsteilung sauber aufsetzt, gewinnt Zeit, ohne Qualität oder Verantwortung abzugeben. Viele dieser Abläufe lassen sich später zusätzlich automatisieren, mehr dazu in unserem Workshop KI-Automatisierung im Büroalltag.

In sechs Schritten zu KI-gestützten HR-Prozessen

Der häufigste Fehler ist, mit dem Tool zu starten statt mit dem Prozess. Wer zuerst klärt, wo Zeit verloren geht, wählt danach das richtige Werkzeug fast von selbst. So gehen Sie strukturiert vor:

Aus der Praxis: Die Schritte 1, 2 und 4 lassen sich hervorragend in einem einzigen Workshop-Tag bündeln. Das Team sammelt die eigenen Zeitfresser, priorisiert sie und setzt die wichtigsten noch am selben Tag um. Danach geht es mit Standards und Messung in den Alltag über.

Grenzen und Verantwortung: sensible Daten, Bias und EU AI Act

KI im HR braucht klarere Leitplanken als in fast jedem anderen Bereich, denn hier geht es um Daten und Entscheidungen über Menschen. Drei Themen gehören von Anfang an auf den Tisch:

Dazu kommt der rechtliche Rahmen: Der EU AI Act stuft KI-Systeme, die für die Einstellung und Auswahl von Bewerbern oder für Entscheidungen über Beschäftigte eingesetzt werden, als Hochrisiko-Systeme mit strengen Auflagen ein. Zusätzlich verpflichtet Artikel 4 des EU AI Act Unternehmen bereits seit dem 2. Februar 2025, für ausreichende KI-Kompetenz ihrer Mitarbeiter zu sorgen. Für HR heißt das zweierlei: Finger weg von automatisierter Bewerberauswahl ohne belastbares Compliance-Fundament, und gleichzeitig eine dokumentierte Schulungspflicht, die eine gute KI-Weiterbildung ohnehin erfüllt. Dieser Artikel ersetzt keine Rechtsberatung, eine praxisnahe Orientierung bietet unsere KI-Kompetenzschulung gemäß EU AI Act.

Welche KI-Tools eignen sich für HR: ChatGPT, Claude oder Copilot?

Die Tool-Frage wird oft wie eine Glaubensfrage behandelt. In Wahrheit ist sie vor allem eine Infrastruktur-Frage: Entscheidend ist, was zu Ihrer bestehenden Umgebung, Ihren Datenschutzvorgaben und Ihren Aufgaben passt.

Microsoft Copilot holt HR-Teams dort ab, wo sie ohnehin arbeiten: in Word, Excel, Outlook und Teams. Wer tief in der Microsoft-365-Welt steckt, bekommt KI direkt in die bestehenden Abläufe, inklusive der im Unternehmensvertrag geregelten Datenschutzthemen. Claude spielt seine Stärken bei langen Dokumenten, differenzierten Texten und strukturierten Analysen aus, etwa bei Richtlinien, Berichten und anspruchsvoller Kandidatenkommunikation. ChatGPT ist der verbreitete Allrounder mit großem Funktionsumfang. In der Praxis kombinieren viele Teams: ein Tool für die Breite im Alltag, eines für die anspruchsvollen Fälle.

Wichtiger als die Markenwahl ist, dass Ihr Team das gewählte Werkzeug souverän beherrscht. Für die Vertiefung einzelner Tools bieten wir eigene Formate an, vom Microsoft Copilot Workshop bis zur Claude AI Masterclass.

Fazit: klein starten, im Alltag verankern

HR-Prozesse mit KI zu optimieren ist kein Großprojekt, sondern eine Abfolge kleiner, konsequenter Schritte: Zeitfresser finden, zwei bis drei Use Cases priorisieren, das Team an echten Aufgaben schulen, Standards festhalten und Grenzen definieren. Die Teams, die so vorgehen, berichten uns nach wenigen Wochen von spürbar mehr Zeit für das, was HR ausmacht: die Arbeit mit Menschen.

Der schnellste Einstieg ist ein gemeinsamer Praxistag, an dem Ihr Team die eigenen Aufgaben direkt umsetzt. Genau dafür haben wir den Workshop KI im HR-Alltag entwickelt. Und wenn Sie KI über HR hinaus im ganzen Unternehmen verankern wollen, ist eine KI-Strategie der logische nächste Schritt.

Lukas Görög

KI-Stratege · Gründer der Akademie für KI und Digitalisierung

Lukas Görög berät Vorstände, Geschäftsführer und Führungskräfte im DACH-Raum bei der strategischen KI-Implementierung. Ehemaliger AI Lead der NZZ Zürich, KI-Dozent an der ZHAW und Jury-Mitglied bei den INMA Global Media Awards. Über 4.000 geschulte Führungskräfte, KI-Projekte in 12 Ländern.

Warum KI die Finanzabteilung gerade jetzt verändert

Kaum ein Unternehmensbereich arbeitet so datenintensiv und regelbasiert wie Buchhaltung und Controlling. Genau das macht ihn zum idealen Einsatzfeld für künstliche Intelligenz: Wiederkehrende Prozesse, strukturierte Daten und klare Regeln sind die perfekte Grundlage für Automatisierung. Gleichzeitig steigt der Druck: Fachkräftemangel im Rechnungswesen, wachsende Reporting-Anforderungen und der Wunsch der Geschäftsführung nach schnelleren Zahlen treffen auf Teams, die ohnehin am Limit arbeiten.

Moderne KI-Tools wie ChatGPT, Microsoft Copilot und Claude haben die Einstiegshürde drastisch gesenkt. Was früher teure Spezialsoftware und IT-Projekte erforderte, funktioniert heute oft direkt in Excel, im E-Mail-Postfach oder per Chat-Eingabe. Wichtig ist dabei der richtige Umgang mit Datenschutz und dem EU AI Act, dazu später mehr. Sehen wir uns zunächst die sechs wichtigsten Anwendungsfälle im Detail an.

1. Belegerfassung und Rechnungseingang automatisieren

2. Kontenabstimmung und Monatsabschluss beschleunigen

Wie Sie Ihre Finanzdaten dafür sauber aufbereiten und strukturieren, lernen Sie übrigens praxisnah in unserem Workshop Datenmanagement und Datenanalyse mit KI, in dem wir mit realen Unternehmensdaten arbeiten.

3. Reporting und Management-Berichte automatisieren

4. Forecasting und Planung mit KI verbessern

5. Mahnwesen und Debitorenmanagement entlasten

6. Anomalien erkennen und Compliance stärken

Welche KI-Tools eignen sich für Finanzen und Controlling?

Die gute Nachricht: Für die meisten der beschriebenen Anwendungsfälle brauchen Sie keine teure Spezialsoftware. ChatGPT und Claude eignen sich hervorragend für Textaufgaben wie Berichtskommentierung, Mahnschreiben und die Analyse von Verträgen oder Buchungsregeln. Microsoft Copilot spielt seine Stärken direkt in Excel aus: Formeln erklären, Daten bereinigen, Pivot-Analysen erstellen und Auffälligkeiten markieren. Wer tiefer einsteigen will, findet in unserem Microsoft Copilot Workshop den idealen Einstieg.

Für wiederkehrende Prozesse wie Belegverarbeitung oder Debitoren-Monitoring lohnen sich Automatisierungsplattformen, die KI mit Ihren bestehenden Systemen verbinden. Wie das ohne Programmierkenntnisse funktioniert, zeigen wir im Workshop KI-Automatisierung und Workflows. Und wer aus den Finanzdaten überzeugende Dashboards machen will, ist im Workshop Datenvisualisierung und Reporting mit KI richtig.

Datenschutz, DSGVO und EU AI Act: Was Finanzteams beachten müssen

Buchhaltungsdaten gehören zu den sensibelsten Daten im Unternehmen: Gehälter, Lieferantenkonditionen, Bankverbindungen, personenbezogene Daten. Deshalb gilt für den KI-Einsatz in der Finanzabteilung eine klare Grundregel: Keine sensiblen Echtdaten in kostenlose, öffentliche KI-Tools eingeben. Nutzen Sie stattdessen Business-Versionen mit Auftragsverarbeitungsvertrag, anonymisieren Sie Daten vor der Verarbeitung oder setzen Sie auf DSGVO-konforme Enterprise-Lösungen.

Dazu kommt der EU AI Act: Seit Februar 2025 verpflichtet Artikel 4 alle Unternehmen, die KI einsetzen, ihre Mitarbeiter nachweislich zu schulen. Gerade in der Buchhaltung, wo KI-Ergebnisse direkt in Zahlungen und Abschlüsse einfließen, ist diese KI-Kompetenz Pflicht und Risikoschutz zugleich. Unsere KI-Kompetenzschulung gemäß EU AI Act deckt genau diese Anforderung rechtssicher ab.

So führen Sie KI in Ihrer Finanzabteilung ein: 4 Schritte

Der größte Fehler bei der KI-Einführung ist, alles auf einmal zu wollen. Erfolgreiche Finanzteams starten klein, messen die Ergebnisse und skalieren dann. Eine fundierte KI-Strategie gibt dabei den Rahmen vor:

Wichtig dabei: KI ersetzt in der Buchhaltung nicht den Menschen, sondern die repetitive Fleißarbeit. Die fachliche Verantwortung, das Vier-Augen-Prinzip und die finale Freigabe bleiben beim Team. Genau diese Kombination aus KI-Vorarbeit und menschlicher Kontrolle macht den Ansatz so wirksam und gleichzeitig revisionssicher.

Lukas Görög

KI-Stratege · Gründer der Akademie für KI und Digitalisierung

Lukas Görög berät Vorstände, Geschäftsführer und Führungskräfte im DACH-Raum bei der strategischen KI-Implementierung. Ehemaliger AI Lead der NZZ Zürich und KI-Dozent an der ZHAW. Er verbindet über 10 Jahre Praxiserfahrung in KI und Daten mit dem Anspruch, komplexe Technologie verständlich und umsetzbar zu machen.

Was sind ChatGPT Skills?

Laut der offiziellen OpenAI-Dokumentation sind Skills wiederverwendbare, teilbare Workflows, die ChatGPT erklären, wie eine bestimmte Aufgabe ausgeführt werden soll. Ein Skill kann Anweisungen, Beispiele und sogar Code enthalten. Der entscheidende Punkt: Nachdem ein Skill installiert wurde, nutzt ChatGPT ihn automatisch, sobald er für Ihre Anfrage relevant ist. Sie müssen ihn nicht jedes Mal aufrufen. Wer einen Skill gezielt aktivieren will, kann ihn zusätzlich per @-Erwähnung direkt ansprechen.

Wenn Sie bisher immer wieder denselben Prompt kopiert, dieselbe Vorlage eingefügt oder dieselben Formatvorgaben erklärt haben, lösen Skills genau dieses Problem. Statt das Wissen in jedem Chat neu aufzubauen, liegt es dauerhaft in einer strukturierten Datei: der SKILL.md. Dazu kommen bei Bedarf unterstützende Ressourcen wie Vorlagen, Beispieldokumente, Markenrichtlinien oder Schemata. Ein weiterer Vorteil gegenüber überlangen System-Prompts: Skills werden nur bei Bedarf geladen und belegen das Kontextfenster nicht dauerhaft. Das verbessert die Antwortqualität spürbar, gerade wenn mehrere Regelwerke im Spiel sind.

Das ist neu: Skills nach dem großen Juli-Update 2026

Skills wurden bereits Ende 2025 in ersten Tests entdeckt und Anfang 2026 schrittweise ausgerollt. Richtig sichtbar wurden sie aber mit dem Produkt-Update vom 9. Juli 2026, das die letzten Tage geprägt hat. OpenAI hat dabei die gesamte ChatGPT-Produktlinie umgebaut, und Skills spielen in fast jedem Baustein eine zentrale Rolle:

Für Unternehmen ist das ein klares Signal. Wer wiederkehrende Prozesse hat, sollte diese jetzt als Skills dokumentieren. Genau hier setzt übrigens auch eine durchdachte KI-Strategie an: erst die Prozesse priorisieren, dann die passenden Werkzeuge wählen.

Skills, Custom GPTs und Projekte: Was ist der Unterschied?

Viele verwechseln Skills mit den bekannten Custom GPTs. OpenAI selbst grenzt die drei Konzepte klar voneinander ab: Skills sind wiederverwendbare Workflows für konkrete Aufgaben. GPTs sind zielorientierte, angepasste ChatGPT-Versionen mit eigenem Charakter. Projekte bündeln Chats, Dateien und Kontext für ein gemeinsames Ziel. Der praktische Unterschied im Alltag:

Die Stärke der Skills liegt in ihrer Kombinierbarkeit: ChatGPT erkennt selbst, welche Skills zu einer Aufgabe passen, und orchestriert deren Zusammenspiel. Ein Beispiel aus der Beratungspraxis: Ein Skill für Ihre Tonalität, ein Skill für das Angebotsformat und ein Skill für die Preislogik greifen in einem einzigen Chat ineinander. Genau diese Denkweise vermitteln wir auch in unserem KI-Agenten Workshop, denn Skills sind die Bausteine, aus denen zuverlässige KI-Agenten entstehen.

ChatGPT Skill erstellen: Die 3 Wege Schritt für Schritt

Sie finden den Skills-Bereich über Ihr Profilsymbol > Skills oder direkt in der Seitenleiste von ChatGPT. Dort sehen Sie Ihre installierten, selbst erstellten und geteilten Skills. Über das Plus-Symbol öffnen sich drei Optionen, die exakt so auch in der deutschen Oberfläche heißen: Per Chat erstellen, Im Editor erstellen und Vom Computer hochladen.

Weg 1: Per Chat erstellen (der einfachste Einstieg)

Der schnellste Weg führt über eine normale Unterhaltung. Berechtigte Konten enthalten standardmäßig den eingebauten Skill skill-creator: Sobald Sie ChatGPT bitten, einen Skill zu erstellen oder zu ändern, übernimmt dieser die Arbeit im Hintergrund. So gehen Sie vor:

Ein Tipp aus meiner Arbeit mit Kundenteams: Diktieren Sie den Ablauf einfach mündlich. Erfahrene Mitarbeiter können ihre Arbeitsschritte oft besser erzählen als aufschreiben, und ChatGPT formt daraus eine saubere erste Version. Nach jeder Nutzung können Sie den Skill weiter optimieren lassen: "Verbessere den Skill so, dass beim nächsten Mal Punkt X von Anfang an berücksichtigt wird."

Weg 2: Im Editor erstellen (volle Kontrolle)

Wer präzise arbeiten will, nutzt den Skills-Editor. Sie erreichen ihn über Skills > Erstellen > Im Editor erstellen. Dort definieren Sie Name, Beschreibung und die eigentlichen Anweisungen manuell und hängen unterstützende Dateien an. Wichtig ist vor allem die Beschreibung: Anhand von Name und Beschreibung entscheidet ChatGPT, wann der Skill relevant ist und automatisch geladen wird. Eine präzise Beschreibung mit typischen Auslöse-Formulierungen macht den Unterschied zwischen einem Skill, der zuverlässig anspringt, und einem, der ignoriert wird.

Weg 3: Vom Computer hochladen (für fertige Skills)

Der dritte Weg ist der Upload einer fertigen Skill-Datei bzw. eines Skill-Pakets. Das ist besonders spannend, weil OpenAI Skills dem offenen Agent-Skills-Standard folgen: Sie können einen Skill aus einem Produkt herunterladen und in einem anderen installieren, etwa einen in Claude gebauten Skill in ChatGPT nutzen. Zwei Hinweise dazu aus der offiziellen Dokumentation: ChatGPT scannt hochgeladene Skills, bevor sie verfügbar werden. Prüfen Sie Skills aus externen Quellen trotzdem selbst, denn sie können Anweisungen, Dateien und Code enthalten. Und: Personal Skills synchronisieren sich derzeit nicht automatisch zwischen Desktop-App und Web bzw. Mobile, dort müssen sie separat hinzugefügt werden.

So ist eine SKILL.md aufgebaut

Das Herzstück jedes Skills ist die Datei SKILL.md. Sie ist das Playbook des Workflows: eine Klartext-Anleitung im Markdown-Format, die auch Nicht-Techniker in jedem Editor lesen und bearbeiten können. OpenAI empfiehlt in seiner Academy-Anleitung eine Struktur mit fünf Bausteinen, die sich in der Praxis bewährt hat:

Was Sie mit ChatGPT Skills machen können: 6 Use Cases

Skills lohnen sich immer dann, wenn ein gutes Ergebnis von einem wiederholbaren Vorgehen abhängt: mehrere Arbeitsschritte, feste Formate, klare Anforderungen. Diese sechs Anwendungsfälle sehe ich aktuell am häufigsten in Unternehmen im DACH-Raum:

Viele dieser Abläufe lassen sich anschließend noch einen Schritt weiterdenken: Wer Skills mit Automatisierungswerkzeugen wie n8n oder Make kombiniert, baut komplette Prozessketten, die ohne manuelles Zutun laufen. Wie das konkret geht, zeigen wir im Workshop KI-Automatisierung und Workflows im Büroalltag. Und wer aus einem Skill ein richtiges internes Werkzeug machen will, etwa einen Protokoll-Generator oder einen Angebotskonfigurator, findet im Workshop Eigene KI-Tools bauen den passenden Rahmen, ganz ohne Programmierkenntnisse.

Verfügbarkeit: Wer kann Skills schon nutzen?

Laut OpenAI sind persönliche Skills allgemein für ChatGPT Business, Enterprise, Healthcare und Edu verfügbar. Der Rollout auf weitere Pläne erfolgt schrittweise, in einzelnen Plus- und Pro-Konten ist die Funktion daher teilweise noch nicht sichtbar. Es lohnt sich, regelmäßig unter dem Profilsymbol nachzusehen. Drei Punkte sind für die Praxis besonders relevant:

Erstens: Skills funktionieren nicht nur im Chat. Sie werden auch in Codex und über die API unterstützt und lassen sich in ChatGPT für Excel, Google Sheets und PowerPoint einsetzen. Damit wandern Ihre Standards direkt in die Werkzeuge, in denen die eigentliche Arbeit passiert. Zweitens: In Business- und Enterprise-Workspaces können Skills mit Kollegen geteilt oder in der Workspace-Bibliothek veröffentlicht werden. So nutzt das ganze Team denselben Prozess, ohne ihn neu aufzubauen. Drittens: Über das neue Plugin-Verzeichnis lassen sich Skills gemeinsam mit Apps zu kompletten Workflow-Paketen bündeln und verteilen.

Skills in Claude: Hier hat alles angefangen

Ein Punkt, der in vielen Berichten untergeht: Die Idee stammt nicht von OpenAI. Anthropic hat Skills bereits im Oktober 2025 für seinen KI-Assistenten Claude eingeführt und das Format im Dezember 2025 als offenen Standard namens Agent Skills veröffentlicht. Ein Claude Skill ist ein Ordner mit einer SKILL.md, unterstützenden Dateien und optional ausführbarem Code. Vier Eigenschaften machen das Konzept so stark, dass es die gesamte Branche übernommen hat:

Wer intensiver mit Claude arbeitet, für den sind Skills sogar noch zentraler als in ChatGPT: Ganze Arbeitsumgebungen wie Claude Code bauen darauf auf. In unserer Claude AI Masterclass zeigen wir unter anderem, wie Sie ein persönliches Skill-System aufbauen, das Ihre wichtigsten Arbeitsabläufe abbildet. Aus eigener Erfahrung kann ich sagen: Ein gut gepflegtes Set aus 10 bis 20 Skills ersetzt Dutzende Einzel-Prompts und macht die Ergebnisqualität planbar.

Skills in Langdock: Die DSGVO-konforme Option für Unternehmen

Auch die Berliner Enterprise-Plattform Langdock, im DACH-Raum eine beliebte Alternative für den unternehmensweiten KI-Einsatz mit EU-Hosting, hat das Konzept übernommen: Seit dem 12. März 2026 gibt es Skills dort als eigenständiges Feature. Ein Langdock Skill ist ein wiederverwendbares Set von Anweisungen, das automatisch angewendet wird, sobald es relevant ist. Die KI liest die Beschreibung jedes aktiven Skills und entscheidet selbst, welche zur aktuellen Anfrage passen, ganz gleich, in welchem Chat Sie gerade arbeiten.

Drei Besonderheiten machen die Langdock-Umsetzung für Unternehmen interessant: Workspace-Standards erlauben es Admins, Skills für alle Mitarbeiter vorzugeben, verpflichtende Skills können von einzelnen Nutzern nicht deaktiviert werden. Das ist ideal für Compliance-Regeln und Corporate Wording. Integrationen lassen sich direkt an einen Skill anhängen, deren Aktionen stehen dann automatisch im Gespräch bereit. Und wie bei OpenAI können Sie Skills per Chat erstellen, manuell schreiben oder als SKILL.md hochladen. Die offizielle Langdock-Dokumentation beschreibt zudem, wie sich Skills an Agents und Projekte koppeln lassen. Der Trend in der Community ist eindeutig: weniger isolierte Einzel-Agenten, dafür wenige starke Agenten, die auf viele Skills zugreifen.

Fazit: Ein offener Standard setzt sich durch

Skills sind mehr als ein weiteres Feature. Sie markieren den Übergang vom Prompten zum Dokumentieren von Prozessen. Wer heute seine besten Arbeitsabläufe in SKILL.md-Dateien gießt, baut organisationales Wissen auf, das plattformunabhängig funktioniert: in ChatGPT, in Claude, in Langdock und in allem, was noch kommt. Meine Empfehlung für den Einstieg: Wählen Sie eine einzige wiederkehrende Aufgabe, bauen Sie dafür per Chat Ihren ersten Skill, nutzen Sie ihn eine Woche lang und verfeinern Sie ihn nach jeder Nutzung. Danach wissen Sie genau, welche Prozesse in Ihrem Unternehmen als Nächstes dran sind. Und wenn Sie diesen Weg strukturiert mit dem ganzen Team gehen wollen, begleiten wir Sie gerne, von der KI-Manager Ausbildung für Führungskräfte bis zum Praxisworkshop für alle Abteilungen.

Lukas Görög

KI-Stratege · Gründer der Akademie für KI und Digitalisierung

Lukas Görög berät Vorstände, Geschäftsführer und Führungskräfte im DACH-Raum bei der strategischen KI-Implementierung. Ehemaliger AI Lead der NZZ Zürich und KI-Dozent an der ZHAW. Er verbindet über 10 Jahre Praxiserfahrung in KI und Daten mit dem Anspruch, komplexe Technologie verständlich und umsetzbar zu machen.

Was sind AI Champions und AI Power User?

AI Champions sind Mitarbeiter aus den Fachabteilungen, die KI überdurchschnittlich intensiv und kompetent nutzen, ihre Kollegen mitziehen und in ihrem Bereich eigenständig KI Use Cases identifizieren und weiterentwickeln. Manche Unternehmen nennen sie AI Power User, KI-Multiplikatoren oder KI-Botschafter. Gemeint ist immer dasselbe: Menschen, die KI-Kompetenz dorthin bringen, wo die Arbeit tatsächlich passiert.

Entscheidend ist: AI Champions sind keine IT-Rolle. Die besten Champions kommen aus Marketing, Vertrieb, HR, Finanzen, Einkauf, Kundenservice oder Operations. Sie kennen die Prozesse, die Daten und die Schmerzpunkte ihrer Abteilung, und genau deshalb erkennen sie Automatisierungspotenziale, die eine zentrale Stelle nie sehen würde.

KI Lead oder AI Champions? Warum sich viele Unternehmen gegen die zentrale Rolle entscheiden

In fast jedem Strategieprojekt kommt irgendwann die Frage: Brauchen wir einen KI Lead? Also eine zentrale Person, die das Thema KI im Unternehmen verantwortet, manchmal als Head of AI oder Chief AI Officer. Viele Unternehmen diskutieren diese Rolle intensiv, und auffällig viele entscheiden sich am Ende dagegen. Die Gründe sind nachvollziehbar: Gute Leute sind teuer und schwer zu finden, eine einzelne Person wird schnell zum Flaschenhals, und niemand kann gleichzeitig die Fachlichkeit von Vertrieb, HR und Produktion tief genug verstehen.

Die Alternative, die wir in der Praxis immer öfter begleiten: ein Netzwerk aus AI Champions aus vielen Abteilungen, koordiniert von einem Sponsor in der Geschäftsführung. Beide Modelle im Vergleich:

Wichtig: Das ist kein striktes Entweder-oder. Ein KI Lead und ein Champions-Netzwerk ergänzen sich hervorragend. Aber wenn die Ressourcen für eine eigene KI-Position fehlen, ist das Champions-Modell der pragmatische und bewährte Weg, KI in der Fläche zu verankern. Wie beide Modelle in eine Gesamtstrategie passen, erarbeiten wir mit Unternehmen in der KI-Strategieberatung.

Wie finde ich AI Champions im Unternehmen?

Die gute Nachricht: Ihre AI Champions arbeiten längst bei Ihnen. Sie müssen sie nur sichtbar machen. In fast jedem Team gibt es die eine Person, die schon heute mit ChatGPT, Claude oder Copilot experimentiert und von Kollegen um Rat gefragt wird. Daran erkennen Sie Ihre Kandidaten:

Für die systematische Suche haben sich vier Wege bewährt, idealerweise in Kombination:

Achten Sie bei der Auswahl bewusst auf Vielfalt über die Abteilungen hinweg. Ein Champions-Netzwerk, das nur aus IT-affinen Kollegen besteht, verfehlt seinen Zweck. Gerade die Stimmen aus HR, Buchhaltung oder Kundenservice machen KI im Unternehmen breitenwirksam.

Welche KI Use Cases sind wichtig? Identifizieren und iterieren

Sind die AI Champions gefunden, beginnt ihre Kernaufgabe: KI Use Cases identifizieren, priorisieren und iterativ verbessern. Nicht jede Idee verdient Zeit. Aus unseren Projekten hat sich ein einfacher Kriterienkatalog bewährt:

Der zweite, oft unterschätzte Teil: Use Cases sind nie fertig. Modelle werden besser, Prompts lassen sich verfeinern, Prozesse ändern sich. Gute AI Champions behandeln jeden Use Case als Produkt, das iterativ weiterentwickelt wird. So sieht der Zyklus in der Praxis aus:

Und genau hier zeigt sich, warum AI Champions mehr Unterstützung brauchen als die breite Belegschaft: Bei individuellen Use Cases wie einer CRM-Anbindung, einer Automatisierung mit n8n oder Make oder branchenspezifischen Anforderungen stoßen auch engagierte Power User an Grenzen. Dann braucht es fachspezifische Beratung, die den Use Case gemeinsam mit dem Champion zu Ende denkt, statt ihn allein zu lassen. Für solche Fälle bieten wir gezielte Begleitung an, etwa im Bereich KI-Automatisierung und Workflows oder beim Aufbau eigener KI-Agenten.

Wie institutionalisiere ich AI Champions? Die 6 Bausteine

Der häufigste Fehler, den wir sehen: Ein motiviertes Kick-off, ein paar Freiwillige, und nach drei Monaten ist das Thema im Tagesgeschäft verschwunden. Ein AI-Champions-Programm wirkt nur, wenn es institutionalisiert wird, also feste Strukturen, Zeit und Verantwortung bekommt. Diese sechs Bausteine haben sich bewährt:

Unternehmen, die diese Bausteine ernst nehmen, machen aus einem Experiment eine dauerhafte Fähigkeit. Wer noch einen Schritt weiter gehen will, entwickelt das Champions-Netzwerk zum Kern einer echten Transformation zum AI-First-Unternehmen.

Die interne Wissensplattform: Wissen muss fließen und aktuell bleiben

KI-Wissen veraltet schneller als jedes andere Fachwissen im Unternehmen. Was Ihre AI Champions heute über Modelle, Tools und Prompts wissen, ist in sechs Monaten teilweise überholt. Deshalb gehört zu jedem ernst gemeinten Programm eine unternehmensinterne Wissensplattform mit klaren Aufgaben:

Wie so etwas aussehen kann, zeigen wir übrigens selbst: Mit KI-Amigo haben wir eine eigene News- und Wissensplattform aufgebaut, die das neueste KI-Wissen aus unseren Weiterbildungen verständlich aufbereitet: von Strategie und Management über Tools und Modelle bis zu KI-Agenten. Genauso ein kuratierter Wissenskanal, nur eben intern, fehlt den meisten Unternehmen. Wer das Wissens-Update lieber gebündelt ins Postfach bekommt: Unser KI-Newsletter liefert monatlich die wichtigsten Entwicklungen und Praxistipps, auch das eine einfache Möglichkeit, Ihre AI Champions ohne Aufwand aktuell zu halten.

Weiterbildung mit System: Jeder braucht ein KI-Update, nicht jeder den Deep Dive

Hier entscheidet sich der Erfolg des gesamten Programms. Unsere Überzeugung aus hunderten Trainings: Jeder Mitarbeiter braucht heute ein KI-Wissens-Upgrade. Aber eben nicht jeder das gleiche. Wer alle Mitarbeiter durch dieselbe Schulung schickt, langweilt die einen und überfordert die anderen, und verbrennt dabei Budget. Die Lösung sind gestufte Lernpfade:

Genau nach diesem Prinzip gestalten wir Weiterbildungsprogramme für Unternehmen: maßgeschneidert auf Branche, Tools und Reifegrad, von der EU-AI-Act-Kompetenzschulung für die gesamte Belegschaft bis zum Deep-Dive-Programm für Ihre AI Champions. Für die Verantwortlichen, die das Programm intern steuern, empfiehlt sich ergänzend die KI-Manager-Ausbildung. So bekommt jede Zielgruppe genau die Tiefe, die sie braucht, und keinen Euro Weiterbildungsbudget mehr als nötig.

Lukas Görög

KI-Stratege · Gründer der Akademie für KI und Digitalisierung

Lukas Görög berät Vorstände, Geschäftsführer und Führungskräfte im DACH-Raum bei der strategischen KI-Implementierung. Ehemaliger AI Lead der NZZ Zürich und KI-Dozent an der ZHAW. Er verbindet 10+ Jahre Praxiserfahrung in KI und Daten mit dem Anspruch, komplexe Technologie verständlich und umsetzbar zu machen.

Warum Unternehmen jetzt eine zentrale KI-Plattform brauchen

In fast jedem Unternehmen, das wir beraten, zeigt sich dasselbe Bild: Einzelne Mitarbeiter arbeiten bereits intensiv mit ChatGPT, Claude oder Gemini, oft über private Accounts. Das ist verständlich, aber riskant. Vertrauliche Daten landen in Consumer-Tools, niemand weiß, wer was nutzt, und das Wissen der Vorreiter bleibt in deren Köpfen stecken. Man spricht hier von Schatten-KI, und sie ist heute eines der größten unbehandelten Datenschutzrisiken im Mittelstand.

Dazu kommt die regulatorische Seite: Der EU AI Act verpflichtet Unternehmen, die KI einsetzen, ihren Mitarbeitern ausreichende KI-Kompetenz zu vermitteln. Eine KI-Kompetenzschulung gemäß EU AI Act lässt sich ohne einheitliche Plattform kaum sinnvoll umsetzen, denn worauf soll geschult werden, wenn jeder ein anderes Tool nutzt?

Eine zentrale KI-Plattform löst beide Probleme auf einmal: Sie schafft einen sicheren, vertraglich abgesicherten Rahmen für alle Mitarbeiter, macht Nutzung und Nutzen erstmals messbar und wird zum Fundament für alles, was danach kommt: Use Cases, Automatisierung, KI-Agenten. Die Frage ist also nicht ob, sondern welche Plattform und wie Sie sie einführen.

Claude als KI-Plattform: Der Standard für anspruchsvolle Teams

Unsere klare Empfehlung für die meisten Unternehmen ist Claude von Anthropic. Nicht, weil es das bekannteste Tool ist, sondern weil es aktuell die beste Kombination aus Modellqualität, Datenschutz und Unternehmensfunktionen bietet. Genau deshalb haben wir mit der Claude Academy ein eigenes Schulungsprogramm rund um diese Plattform aufgebaut.

Wie Ihre Teams das volle Potenzial ausschöpfen, zeigen wir in der Claude AI Masterclass. Für Mitarbeiter, die tiefer einsteigen und intern als Experten wirken sollen, gibt es das Claude Zertifikat, einen 8-Wochen-Online-Lehrgang mit Abschlusszertifikat.

Langdock: Die europäische Alternative mit Multi-Modell-Ansatz

Nicht jedes Unternehmen kann oder will direkt bei einem US-Anbieter einkaufen. Wenn Einkauf, Betriebsrat oder Datenschutzbeauftragte europäische Datenhaltung als Bedingung setzen, ist Langdock unsere bevorzugte Alternative, und in vielen Konzernen bereits der gesetzte Standard.

Die Entscheidung lässt sich meist auf zwei Fragen reduzieren:

In unserem Langdock KI-Workshop lernen Ihre Teams die Plattform von Grund auf kennen, von den ersten Prompts bis zu eigenen Assistenten und Workflows.

Der Fahrplan: In 6 Phasen zur unternehmensweiten KI-Plattform

Die Plattform-Entscheidung ist nur der Anfang. Ob aus der Lizenz echter Geschäftsnutzen wird, entscheidet sich in der Einführung. Das folgende Vorgehen habe ich mit der Akademie für KI in mehr als 30 mehrmonatigen Firmenbegleitungen entwickelt und verfeinert, und es lässt sich auf Unternehmen von 50 bis 5.000 Mitarbeitern übertragen:

Phase 1: KI-Plattform einführen und Nutzung standardisieren

Der erste Schritt ist bewusst unspektakulär: eine Plattform für alle, statt zehn Tools nebeneinander. Legen Sie fest, welche Plattform der Standard ist, welche Daten dort verarbeitet werden dürfen und welche nicht, und wie Zugänge vergeben werden. Diese Klarheit ist wichtiger als jede Funktion.

Phase 2: Use Cases identifizieren und priorisieren

Jetzt geht es darum, die Plattform mit Leben zu füllen. Die besten Anwendungsfälle kennen nicht die Berater, sondern Ihre eigenen Mitarbeiter. In moderierten Use-Case-Workshops pro Abteilung sammeln Sie, wo repetitive Arbeit, Textmengen oder Datenauswertungen den Alltag fressen, und bewerten jeden Fall nach Aufwand und Wirkung.

Bewährt hat sich eine einfache Impact-Aufwand-Matrix: Quick Wins (hohe Wirkung, geringer Aufwand) werden sofort umgesetzt, strategische Fälle wandern in die Projektplanung von Phase 5. Wie eine strukturierte Use-Case-Entwicklung abläuft, zeigen wir in unserem Programm KI-Implementierung und Use Cases. Wer vorher wissen will, wo das größte Potenzial liegt, startet mit unserer kostenlosen KI-Potenzialanalyse.

Phase 3: KI-Champions identifizieren und einbinden

Keine zentrale KI-Abteilung der Welt kann 500 Mitarbeiter dauerhaft begleiten. Was skaliert, sind Multiplikatoren in den Fachbereichen: ein bis zwei KI-Champions pro Abteilung, die affin sind, im Team respektiert werden und Lust haben, voranzugehen. Häufig sind das genau die Mitarbeiter, die vorher schon mit privaten Accounts experimentiert haben. Machen Sie aus den heimlichen Vorreitern offizielle Botschafter.

Wenn Ihre Champions später selbst intern schulen sollen, ist unser Train-the-Trainer-Programm der logische nächste Schritt, bis hin zum Aufbau einer eigenen internen KI-Akademie.

Phase 4: Weiterbildung auf zwei Ebenen: standardisiert und abteilungsspezifisch

Der größte Fehler bei KI-Schulungen: eine generische Schulung für alle. Was in der Praxis funktioniert, ist ein Modell auf zwei Ebenen. Erstens eine standardisierte Basis für die Breite: sicherer Umgang mit der Plattform, Prompting-Grundlagen, Datenschutz. Zweitens maßgeschneiderte Vertiefungen pro Abteilung, denn Marketing braucht andere Workflows als Controlling oder HR.

Genau nach diesem Prinzip sind unsere Formate aufgebaut: von der Claude AI Masterclass für ganze Teams über den KI-Workshop für Marketing und Management bis zur KI-Manager-Ausbildung für Führungskräfte, die den Rollout intern steuern.

Phase 5: Langfristige KI-Projekte planen, vor allem in der Infrastruktur

Sobald die Breite arbeitet, beginnt die eigentliche Wertschöpfung: Projekte, die KI mit Ihrer Infrastruktur verbinden. Denn der Unterschied zwischen einem Chat-Tool und einer Unternehmensplattform liegt in den Anbindungen: an Ihre Dokumente, Ihr CRM, Ihre Datenbanken. Erst dann kann KI mit Ihrem Kontext arbeiten, statt mit Allgemeinwissen.

Für diese Phase lohnt sich der Blick auf unseren n8n Workshop und den KI-Agenten Workshop. Wer die Transformation ganzheitlich denken will, findet im Programm AI First Unternehmen den passenden Rahmen.

Phase 6: ROI messen: Arbeitsstunden, Umfragen oder Umsatz

Spätestens zur nächsten Budgetrunde kommt die Frage: Was bringt uns das? Wer erst dann mit dem Messen beginnt, hat verloren. Definieren Sie die Messlogik bereits in Phase 1, inklusive einer Baseline, also dem Zustand vor der Einführung. Welcher Messansatz der richtige ist, hängt vom Unternehmen ab. In der Praxis haben sich drei Wege bewährt, die sich auch kombinieren lassen:

Aus der Praxis: Was über 30 mehrmonatige Firmenbegleitungen gezeigt haben

Dieser Fahrplan ist kein Theoriemodell. Er ist das Ergebnis von mehr als 30 Unternehmen, die ich mit der Akademie für KI über mehrere Monate durch genau diese Einführung begleitet habe: vom Mittelständler bis zum Konzern, quer durch Branchen wie Finanzen, Medien, Pharma, Tourismus und öffentliche Verwaltung. Die Muster wiederholen sich dabei mit erstaunlicher Zuverlässigkeit, unabhängig von Branche und Größe.

Die Größenordnung skaliert dabei mit dem Unternehmen: Im Mittelstand sprechen wir von 50 bis 100 aktiven Nutzern, in Konzernen wächst dieselbe Systematik auf mehrere hundert bis über 1.000 Nutzer. Entscheidend ist nicht die Zahl, sondern dass die sechs Phasen in der richtigen Reihenfolge kommen: erst Standard und Kompetenz, dann Infrastruktur und Messung.

Ein letzter Gedanke: Die Einführung einer KI-Plattform ist kein IT-Projekt, sondern ein Organisationsprojekt. Die Technologie ist in wenigen Tagen ausgerollt. Ob daraus Wirkung entsteht, entscheiden Standardisierung, Use Cases, Champions, Weiterbildung, Infrastruktur und Messung, also genau die sechs Phasen dieses Fahrplans. Eine fundierte KI-Strategie hält diese Phasen zusammen und gibt Ihnen die Roadmap für die nächsten 24 Monate.

Lukas Görög

KI-Stratege · Gründer der Akademie für KI und Digitalisierung

Lukas Görög berät Vorstände, Geschäftsführer und Führungskräfte im DACH-Raum bei der strategischen KI-Implementierung. Ehemaliger AI Lead der NZZ Zürich und KI-Dozent an der ZHAW. Er verbindet über 10 Jahre Praxiserfahrung in KI und Daten mit dem Anspruch, komplexe Technologie verständlich und umsetzbar zu machen.