Key Takeaways
- Ein einfaches Interface macht eine Aufgabe nicht automatisch einfach. Offene Prompt-Felder können einen Teil der Komplexität auf die Nutzer verlagern.
- Besseres Prompting allein löst dieses Problem nicht. Gute KI bringt Orientierung, relevantes Wissen und bewährte Methoden dort ein, wo sie gebraucht werden.
- Orientierung darf nicht zu Bevormundung werden. Menschen brauchen Unterstützung, aber auch genug Freiheit für ihren eigenen Kontext und ihre Erfahrung.
- Je mehr KI produziert, desto wichtiger wird die menschliche Beurteilung. Kontext geben, Ergebnisse prüfen und Verantwortung übernehmen gewinnen an Bedeutung.
- Gute Orientierung lässt sich an konkreten Mustern erkennen. Relevante Fragen vorwegnehmen, Wissen mitbringen, erste Vorschläge statt Perfektion verlangen und Annahmen sichtbar machen – das unterscheidet Orientierung von Bevormundung.
Das Versprechen der leeren Seite
Ein weißes Feld. Ein blinkender Cursor. Darüber vielleicht die Frage: „Was möchtest du erstellen?"
Diese stark reduzierte Oberfläche ist typisch für generative KI. Es gibt dort keine komplexen Menüs, und man braucht keine lange Einarbeitung. Man beschreibt einfach, was man braucht, und das System legt los.
Das ist ein starkes Versprechen. Plötzlich können Menschen Texte erstellen, Bilder generieren, Daten analysieren oder Videos produzieren, ohne die dafür früher notwendigen Werkzeuge im Detail beherrschen zu müssen.
Doch die scheinbare Einfachheit setzt einiges voraus.
Das System geht davon aus, dass der Mensch bereits weiß, was er erreichen möchte, welche Informationen relevant sind, wie detailliert die Aufgabe beschrieben werden muss und woran sich anschließend erkennen lässt, ob das Ergebnis wirklich gut ist.
Ein Interface kann also sehr einfach wirken und dem Nutzer trotzdem anspruchsvolle Aufgaben überlassen.
Das leere Prompt-Feld beseitigt Komplexität nicht zwangsläufig. Manchmal macht es sie nur weniger sichtbar.
Begriffserklärung
Was ist ein offenes generatives System?
Ein offenes generatives System ist ein KI-Modell mit einem einzigen, freien Eingabefeld – etwa ein klassischer Chatbot wie ChatGPT oder Claude. Es gibt keine vorgegebenen Menüs, Auswahlfelder oder Arbeitsschritte: Nutzer beschreiben ihre Aufgabe in eigenen Worten und müssen dabei selbst festlegen, welche Informationen relevant sind, wie die Aufgabe strukturiert werden soll und woran sich ein gutes Ergebnis erkennen lässt.
Das Gegenteil sind geführte Systeme, die genau diese Fragen bereits in den Prozess einbauen – zum Beispiel durch Auswahlmöglichkeiten, vorstrukturierte Schritte oder automatisch ergänzten Kontext.
KI automatisiert Arbeit und schafft neue Denkarbeit
Wer mit einem offenen generativen KI-System arbeitet, arbeitet nicht nur an seiner eigentlichen Aufgabe. Er muss sich gleichzeitig überlegen, was er der KI alles mitgeben muss.
Welche Informationen braucht das System? Wie viel Kontext ist notwendig? Sollte die Aufgabe in mehrere Schritte zerlegt werden? Ist ein schwaches Ergebnis ein Problem des Modells oder der eigenen Anweisung? Was lässt sich übernehmen und was muss überprüft werden?
Forschende beschreiben diese zusätzlichen Anforderungen als „metacognitive demands". In der auf der CHI 2024 als Best Paper ausgezeichneten Arbeit The Metacognitive Demands and Opportunities of Generative AI zeigen sie, dass Nutzer unter anderem ihre Ziele reflektieren, Aufgaben zerlegen, geeignete Strategien wählen und KI-Ergebnisse bewerten müssen. Zur Studie
Begriffserklärung
Was sind metacognitive demands?
Metacognitive demands (etwa: metakognitive Anforderungen) bezeichnen die zusätzliche Denkarbeit, die Menschen beim Einsatz offener generativer KI-Systeme übernehmen müssen – nicht die eigentliche Aufgabe selbst, sondern das Nachdenken darüber, wie sie der KI vermittelt wird.
Dazu gehört laut der Studie unter anderem: das eigene Ziel reflektieren, die Aufgabe in sinnvolle Teilschritte zerlegen, eine geeignete Strategie bzw. Formulierung wählen, Zwischenergebnisse bewerten und einschätzen, ob und wie nachgebessert werden muss. Diese Schritte laufen zusätzlich zur eigentlichen Aufgabe ab und bleiben bei einem offenen Prompt-Feld vollständig beim Menschen.
Im Arbeitsalltag wird schnell deutlich, was das bedeutet. Nämlich Mehraufwand.
Eine L&D-Verantwortliche möchte keine besonders ausgefeilte Eingabe für ein Sprachmodell formulieren. Sie möchte eine neue Sicherheitsrichtlinie so vermitteln, dass Mitarbeitende sofort verstehen, was sie in einer bestimmten Situation tun müssen.
Dafür braucht es ein klares Lernziel, Wissen über die Zielgruppe, fachlich korrekte Inhalte und ein Verständnis dafür, wo Missverständnisse entstehen könnten.
Ähnlich ist es bei Change Management. Ein Team für interne Kommunikation kann KI einsetzen, um Texte zu strukturieren oder verschiedene Versionen zu erstellen. Die eigentliche Herausforderung liegt aber an anderer Stelle: Welche Fragen beschäftigen Mitarbeitende? Welche Informationen sind bereits bekannt? Was muss jetzt erklärt werden und was vielleicht erst später?
Wenn Menschen zuerst selbst die komplette Methodik hinter einer Aufgabe entwickeln müssen, bevor KI sinnvoll helfen kann, wurde ein Teil der Komplexität nicht automatisiert. Er ist lediglich an eine andere Stelle gewandert.
„Dann müssen eben alle besser prompten" greift zu kurz
Natürlich müssen Mitarbeitende lernen, kompetent mit KI umzugehen.
Auch der EU AI Act trägt dem Rechnung. Artikel 4 verpflichtet Anbieter und Betreiber von KI-Systemen dazu, Maßnahmen für ein angemessenes Maß an AI Literacy zu treffen. Dabei sollen unter anderem Wissen, Erfahrung, Ausbildung und der jeweilige Nutzungskontext berücksichtigt werden. Mehr dazu bei der Europäischen Kommission
Menschen sollten verstehen, was KI leisten kann, wo ihre Grenzen liegen und warum Ergebnisse überprüft werden müssen. Aber das bedeutet nicht, dass jeder zum Prompt-Spezialisten werden sollte.
Bei anderen Tools wird seit Jahrzehnten versucht, Komplexität sinnvoll in das Produkt zu verlagern. Wer ein Navigationssystem verwendet, muss keinen Routing-Algorithmus verstehen. Wer eine Präsentation erstellt, sollte keine Ausbildung in Typografie benötigen, um ein brauchbares Ergebnis zu erzielen. Warum sollte dieser Anspruch bei KI plötzlich nicht mehr gelten?
AI Literacy ist wichtig. Sie darf aber nicht zur Ausrede für unnötig komplizierte KI-Systeme werden.
Die bessere Frage lautet deshalb nicht nur: Wie bringen wir Menschen bei, bessere Anweisungen zu schreiben? Sondern: Wie gestalten wir KI so, dass Menschen ihre Aufmerksamkeit dort einsetzen können, wo ihre Erfahrung tatsächlich einen Unterschied macht?
Gute KI wartet nicht nur auf den perfekten Prompt
Wenn die Lösung also nicht darin besteht, Menschen immer bessere Prompts schreiben zu lassen, muss ein Teil der Orientierung aus dem System selbst kommen. Ein System, das genug über die jeweilige Aufgabe versteht, um sinnvolle Orientierung anzubieten, gleichzeitig aber Raum für individuellen Kontext lässt.
Eine 2025 auf der CHIWORK vorgestellte Studie untersuchte beispielsweise ein Interface, das aus einer freien Anfrage automatisch zusätzliche Auswahlmöglichkeiten generierte. Nutzer konnten so relevanten Kontext ergänzen, ohne jede Information selbst in einen langen Prompt übersetzen zu müssen. Die kleine Studie mit 16 Teilnehmenden ist zwar kein Beweis dafür, dass diese Methode besser funktioniert. Sie zeigt aber eine mögliche Richtung: KI kann Menschen beim Formulieren ihrer Absicht unterstützen, statt nur auf möglichst genaue Eingaben zu warten. Zur Studie
Gleichzeitig gilt: Mehr Führung ist nicht automatisch besser. Zu starre Abläufe können neue Hürden schaffen und Menschen daran hindern, ihre eigene Erfahrung einzubringen.
So viel Orientierung wie nötig, so viel Freiheit wie sinnvoll.
Ein gutes System kann zum Beispiel darauf aufmerksam machen, welche Informationen für eine Aufgabe wichtig sind. Bei einem Lernvideo kann dies das Lernziel sein, bei einer internen Kommunikation die betroffene Zielgruppe, bei einem Marketingvideo die gewünschte Handlung.
Danach kann KI dort Arbeit übernehmen, wo menschliche Aufmerksamkeit wenig zusätzlichen Wert bringt: Inhalte strukturieren, Varianten erstellen, vorhandene Informationen aufbereiten oder wiederkehrende Produktionsschritte automatisieren. Die Richtung und die Bewertung bleiben trotzdem menschliche Aufgaben.
Denn ein Text kann professionell klingen, aber dabei trotzdem einen entscheidenden Punkt auslassen. Ein Trainingsvideo kann plausibel wirken und trotzdem fachlich falsch sein. Eine HR-Kommunikation kann sachlich korrekt sein und im konkreten Kontext trotzdem unangebracht wirken.
Am Ende bleibt deshalb eine Frage, die sich nicht an ein Modell delegieren lässt: Können wir dieses Ergebnis vertreten?
Wie gute Orientierung in der Praxis aussieht
Was bedeutet „so viel Orientierung wie nötig" konkret? Ein Blick auf vier Muster, die den Unterschied machen.
Relevante Fragen vorwegnehmen, statt alles offenzulassen.
Ein gutes System fragt nicht nach allem – es fragt nach dem, was für die konkrete Aufgabe tatsächlich entscheidend ist. Bei einer Produktdemo sind das zum Beispiel die Zielgruppe und die gewünschte nächste Handlung, bei einer Prozessanleitung der Erfahrungsstand der Zuschauenden. Alles andere kann das System selbst ableiten oder später ergänzen lassen.
Wissen mitbringen, statt bei null anzufangen.
Nutzer sollten nicht bei jeder Aufgabe wieder bei null anfangen müssen – etwa frühere Entscheidungen, bereits vorhandene Inhalte oder den aktuellen Stand eines Projekts noch einmal komplett erklären. Ein gutes System greift auf diesen Kontext zurück, statt ihn bei jedem neuen Versuch zu verlieren.
Einen Vorschlag machen, statt Perfektion beim ersten Versuch zu verlangen.
Statt auf die eine perfekte Eingabe zu warten, kann ein System einen ersten, plausiblen Entwurf liefern und darauf aufbauend präzisieren lassen. Die Richtung entsteht im Dialog, nicht im ersten Prompt.
Annahmen sichtbar machen, statt sie zu verstecken.
Wenn ein System selbstständig Lücken füllt, sollte der Mensch erkennen können, welche Annahmen dahinterstecken – und sie korrigieren können. Genau das unterscheidet Orientierung von Bevormundung: Das System schlägt vor, der Mensch entscheidet.
Je mehr KI produziert, desto wichtiger wird verlässliche Qualität
Je mehr KI bei Entwurf und Produktion übernimmt, desto stärker verschiebt sich die Aufgabe des Menschen.
- Ein L&D-Team muss nicht mehr jeden ersten Entwurf selbst schreiben. Es muss aber beurteilen können, ob ein Lerninhalt fachlich korrekt ist, das gewünschte Verhalten unterstützt und wichtiger Kontext fehlt.
- Ein Team für interne Kommunikation kann sich bei Formulierungen unterstützen lassen. Die Einschätzung, wie eine Botschaft in einer angespannten Situation aufgenommen wird, welche Fragen Mitarbeitende haben werden oder welche Informationen besonders sensibel sind, bleibt dagegen eine menschliche Aufgabe.
Ähnlich ist es in Marketing, Sales oder HR: Weniger Zeit muss in die erste Erstellung fließen, mehr in Auswahl, Kontext, Qualität und Verantwortung.
Der Mensch wird durch KI also nicht weniger wichtig. Seine Rolle verschiebt sich.
Für Unternehmen entsteht daraus eine zweite Herausforderung. Solange nur einzelne Mitarbeitende mit KI arbeiten, können persönliche Prompting-Techniken und individuelle Erfahrung gut funktionieren. Wenn jedoch Hunderte oder Tausende von Mitarbeitenden KI regelmäßig für Training, Kommunikation oder Content-Produktion einsetzen, sollte die Qualität der Ergebnisse nicht davon abhängen, wer besonders gut mit einem KI-Tool umgehen kann.
Unternehmen brauchen deshalb Prozesse und Systeme, die gute Ergebnisse wiederholbar machen.
Gute Enterprise-KI sollte deshalb mehr leisten, als Inhalte schneller zu produzieren. Sie kann Fachwissen, bewährte Vorgehensweisen und Qualitätsstandards direkt in den Arbeitsprozess einbringen, sodass Mitarbeitende diese Expertise nicht bei jeder Aufgabe neu selbst mitbringen oder in einen Prompt übersetzen müssen.
Wie wertvoll das sein kann, zeigt eine 2025 im Quarterly Journal of Economics veröffentlichte Studie zum Einsatz eines generativen KI-Assistenten bei 5.172 Beschäftigten im Kundenservice. Im Durchschnitt stieg die Produktivität um 15 Prozent. Besonders weniger erfahrene Mitarbeitende profitierten. Die Ergebnisse lassen sich nicht eins zu eins auf andere Tätigkeiten übertragen. Sie deuten aber auf einen wichtigen Effekt hin: KI kann dazu beitragen, vorhandenes Wissen und bewährte Arbeitsweisen für mehr Menschen nutzbar zu machen. Zur Studie
Für Unternehmen liegt das Potenzial von KI nicht nur in mehr Geschwindigkeit oder mehr Output. Es liegt auch darin, Wissen, Methoden und Qualitätsstandards so zugänglich zu machen, dass mehr Mitarbeitende verlässlich gute Ergebnisse erzielen können.
Was das für Videokommunikation bedeutet
Gerade bei Videokommunikation zeigt sich, warum ein leeres Prompt-Feld allein oft nicht ausreicht.
Wer eine komplexe Botschaft in ein verständliches Video übersetzen möchte, trifft viele Entscheidungen gleichzeitig: Was ist die eigentliche Kernbotschaft? Welche Informationen braucht die Zielgruppe wirklich? Wie lässt sich das Thema sinnvoll strukturieren? Was sollte visuell gezeigt statt nur erklärt werden? Welche Sprache, Tonalität und Länge passen zum jeweiligen Kontext?
Wer ein gutes Video erstellen möchte, sollte dafür nicht gleichzeitig Experte für Dramaturgie, Storytelling, Informationsreduktion, Visualisierung, Animation, Voice-over und Prompt Engineering sein müssen.
Genau hier kann KI mehr leisten als reine Content-Generierung. Sie kann Wissen darüber, wie verständliche Videokommunikation funktioniert, direkt in den Erstellungsprozess einbringen. Sie kann dabei helfen, Inhalte zu priorisieren und zu strukturieren, aus einer Idee ein schlüssiges Videokonzept zu entwickeln und Produktionsschritte zu vereinfachen.
Die entscheidenden Fragen bleiben trotzdem beim Menschen:
Was soll die Zielgruppe am Ende verstanden haben? Was soll sie danach wissen oder tun? Welcher Kontext darf nicht verloren gehen? Ist die Aussage fachlich korrekt? Passt das Ergebnis zur Organisation, zur Zielgruppe und zur konkreten Situation?
Das ist besonders wichtig, wenn Videos in größerem Umfang entstehen – etwa für internationales Training, interne Kommunikation, Onboarding, Marketing oder Sicherheitsunterweisungen. Dann geht es nicht nur darum, schneller Videos zu produzieren. Es geht darum, gute Kommunikation für mehr Menschen zugänglich und gleichzeitig verlässlich zu machen.
Genau darin sehen wir auch bei simpleshow die Aufgabe menschenzentrierter KI:
Sie sollte die Komplexität der Videoerstellung reduzieren, ohne Menschen die Kontrolle über Botschaft, Kontext und Qualität zu nehmen.
Konkret im simpleshow video maker: Der Story Generator verbindet ein offenes Eingabefeld für die eigene Idee mit ein paar gezielten Fragen zu Thema, Zielgruppe und Tonalität – ein ausgewogenes Verhältnis aus offenem Prompt und geführten Fragen, das ein Skript liefert, das genau passt, statt mit einem leeren Canvas zu starten. Sichtbar gekennzeichnet, wo KI beteiligt war, lässt sich jeder Vorschlag vor der Veröffentlichung prüfen und anpassen.
Wie simpleshow KI mit Transparenz, menschlicher Kontrolle und Datenschutz verbindet, zeigen wir auf unserer Seite zur verantwortungsvollen KI-Nutzung.
Mehr über verantwortungsvolle KI bei simpleshow erfahren →
Die Zukunft beginnt vielleicht nicht beim besseren Prompt…
Das Prompt-Feld wird nicht verschwinden. Für offene, experimentelle oder sehr individuelle Aufgaben bleibt es ein mächtiges Werkzeug.
Seine Rolle könnte sich jedoch verändern.
Die erste Phase generativer KI war stark auf das Modell ausgerichtet:
Hier ist ein leistungsfähiges System. Sag ihm möglichst genau, was es tun soll.
Die nächste Phase kann stärker bei der eigentlichen Aufgabe beginnen:
Was möchtest du erreichen?
Das klingt nach einem kleinen Unterschied. Tatsächlich verändert es, wie Verantwortung zwischen Mensch und Technologie verteilt wird.
Ein KI-System muss dann nicht nur gute Ergebnisse erzeugen. Es sollte auch erkennen, welcher Kontext für eine Aufgabe relevant ist, wo Orientierung hilft und welche Entscheidungen bewusst beim Menschen bleiben sollten.
Dabei sollte das Ziel nicht sein, möglichst jede Entscheidung zu automatisieren. Die beste KI nimmt Menschen das Denken nicht ab. Sie hilft ihnen, es dort einzusetzen, wo es zählt.
Häufig gestellte Fragen
Woran erkennt man einen guten menschenzentrierten KI-Workflow?
Ein guter Workflow reduziert unnötige Arbeit, ohne wichtige Entscheidungen zu verstecken. Nutzer verstehen, welche Aufgaben die KI übernimmt, wo ihre eigene Prüfung notwendig ist und wer für das Ergebnis verantwortlich bleibt. Gleichzeitig steht relevanter Kontext möglichst direkt im Prozess zur Verfügung, statt jedes Mal neu formuliert werden zu müssen.
Welche Aufgaben sollten Unternehmen nicht vollständig an KI delegieren?
Das hängt vom jeweiligen Anwendungsfall und Risiko ab. Besonders bei Entscheidungen mit fachlichen, rechtlichen oder persönlichen Konsequenzen sollte menschliche Prüfung klar vorgesehen sein. Dazu gehören beispielsweise die Freigabe sicherheitsrelevanter Trainingsinhalte, sensible HR-Kommunikation oder Aussagen, bei denen falsche Informationen erhebliche Folgen haben könnten.
Was sollte AI Literacy neben Prompting umfassen?
Mitarbeitende sollten verstehen, wofür ein KI-System geeignet ist, welche Grenzen es hat und wie Ergebnisse überprüft werden können. Dazu gehören das Erkennen fehlenden Kontexts, die Bewertung von Quellen und Fakten, der Umgang mit Unsicherheit sowie Klarheit darüber, wann zusätzliche fachliche Prüfung notwendig ist.
Wie lässt sich beurteilen, ob KI einen Prozess wirklich verbessert?
Geschwindigkeit allein reicht als Maßstab nicht aus. Unternehmen sollten auch beobachten, wie stark Ergebnisse nachbearbeitet werden müssen, wie konsistent die Qualität ist, welche Fehler auftreten und ob Mitarbeitende mit dem neuen Prozess tatsächlich besser arbeiten können. Ein schnellerer erster Entwurf ist wenig wert, wenn anschließend deutlich mehr Zeit für Korrekturen benötigt wird.
Welche Rolle spielt menschenzentrierte KI bei Videokommunikation?
KI kann viele Schritte der Videoerstellung vereinfachen, etwa die Strukturierung von Inhalten, erste Textentwürfe oder Produktionsschritte. Besonders wertvoll wird sie, wenn Wissen über gute Kommunikation und bewährte Prozesse bereits in den Workflow einfließt. So können sich Mitarbeitende stärker auf Botschaft, Zielgruppe und fachliche Qualität konzentrieren.
