Was ich nach 100+ KI-Experimenten gelernt habe

Wenn ich auf meine KI-Experimente zurückschaue, dann fällt mir zuerst etwas anderes auf als die Tools selbst: Ich habe viel über Menschen gelernt. Über ihre Erwartungen. Über ihre Geduld. Über ihre Bereitschaft, sich auf neue Abläufe einzulassen. Und auch darüber, wie schnell man von einer guten Idee in eine schlechte Routine abrutschen kann.

Die meisten Experimente waren klein. Ein anderes Prompt-Design. Eine neue Struktur für E-Mails. Ein Versuch, Sitzungsnotizen sauberer aufzubereiten. Ein Test für interne Wissensabfragen. Ein Experiment mit Textvarianten oder Zusammenfassungen. Genau diese kleinen Versuche waren oft wertvoller als die grossen Ankündigungen, die in Präsentationen immer schöner aussehen als im Alltag.

1. Kontext schlägt Prompt-Technik

Das vielleicht wichtigste Learning: Ein guter Kontext ist oft mehr wert als der berühmte «perfekte Prompt». Wer KI lediglich mit ein paar hübschen Anweisungen füttert, bekommt oft solide, aber generische Ergebnisse. Wer hingegen sauber beschreibt, in welchem Umfeld ein Text, eine Antwort oder eine Analyse gebraucht wird, bekommt deutlich nützlichere Resultate.

In einem Schweizer KMU ist dieser Punkt besonders wichtig. Denn dort gibt es selten nur einen einzigen Standardfall. Es geht um Kunden, Mitarbeitende, Lieferanten, Führung, Tempo, Qualität und interne Verlässlichkeit zugleich. Die KI muss also nicht bloss «gut schreiben», sondern in einen echten betrieblichen Kontext passen.

2. Gute Prozesse schlagen gute Demos

Ich habe einige wirklich beeindruckende Demos gesehen. Trotzdem taugen viele davon nicht für den Alltag. Der Grund ist fast immer derselbe: Der Prozess dahinter ist nicht sauber genug. Wenn jemand später nicht weiss, wie ein Resultat geprüft, freigegeben, abgelegt oder weiterverarbeitet wird, bleibt es bei einem netten Effekt.

Was im Alltag zählt, ist nicht der Wow-Moment, sondern die Wiederholbarkeit. Kann ein Team das Werkzeug in der gleichen Qualität in einer Woche, in einem Monat und in einem halben Jahr noch sinnvoll nutzen? Wenn nicht, war es eher ein Experiment als eine Lösung.

Ein gutes KI-Experiment beantwortet nicht nur die Frage, ob etwas geht. Es beantwortet auch die Frage, ob es im Betrieb trägt.

3. Kleine Anwendungsfälle gewinnen fast immer

Die grösste Überraschung war für mich nicht, was KI alles kann. Die grössere Erkenntnis war, wie oft die kleinen, unscheinbaren Anwendungsfälle am Ende den grösseren Nutzen bringen. Ein sauberer Mail-Entwurf. Eine bessere Zusammenfassung. Ein strukturierter erster Entwurf für eine Schulungsfolie. Ein schnellerer Start für die Recherche. Ein klarerer Text für interne Kommunikation.

Solche Dinge wirken unspektakulär. Aber genau dort entstehen die Minuten und Stunden, die sich im Alltag summieren. Und genau dort wird KI für viele Unternehmen plötzlich greifbar. Nicht im grossen Zukunftsbild, sondern in der Frage, wie der nächste Arbeitstag ein bisschen reibungsloser wird.

4. Menschen brauchen Orientierung, nicht mehr Komplexität

Ich habe in Workshops immer wieder erlebt, dass zu viele Optionen eher lähmen als helfen. Wer einem Team zehn Tools, fünf Modellvarianten und drei mögliche Strategiepfade gleichzeitig zeigt, erzeugt nicht automatisch Reife. Oft erzeugt er Müdigkeit.

Darum versuche ich in der Praxis, Komplexität zu reduzieren. Welche Aufgabe ist wirklich relevant? Wer arbeitet damit? Wie wird geprüft? Was ist der kleinste sinnvolle Einstieg? Diese Fragen wirken schlicht. Sie sind aber oft der Unterschied zwischen einem lebendigen Prozess und einem überladenen Pilotprojekt.

5. Qualität entsteht nicht automatisch durch Automatisierung

Das ist ein Punkt, den ich wirklich oft wiederholen muss: Nur weil etwas automatisiert ist, ist es noch lange nicht gut. Im Gegenteil. Schlechte Prozesse werden durch KI manchmal einfach nur schneller schlecht. Wer also eine Arbeitsweise mit KI unterstützt, muss zuerst verstehen, wie gut diese Arbeitsweise überhaupt ist.

Deshalb sind viele meiner Gespräche gar keine KI-Gespräche im engeren Sinn. Es sind Gespräche über Klarheit, Zuständigkeiten, Datenqualität und Sprache. Das sind die Themen, die am Ende bestimmen, ob KI im Unternehmen Nutzen bringt oder nur zusätzliche Unruhe.

6. Die beste KI ist oft die unspektakulärste

Ich habe mit Modellen experimentiert, die erstaunlich viel können. Aber am meisten Nutzen haben mir Systeme gebracht, die einfach gut in einen konkreten Ablauf passen. Kein Glamour, kein grosses Versprechen. Einfach ein Werkzeug, das im richtigen Moment hilft.

In der Praxis heisst das oft: Ein Modell für Recherche, eines für Textentwürfe, eines für Strukturierung, vielleicht ein anderes für interne Wissensarbeit. Nicht, weil man möglichst viele Tools braucht, sondern weil jedes Werkzeug eine Aufgabe sauberer erledigen kann als ein überladener Universalansatz.

7. Die Grenzen sind genauso wichtig wie die Möglichkeiten

Ich glaube nicht an die Erzählung, dass man nur lange genug testen müsse und dann sei KI automatisch verlässlich. Es gibt Grenzen. Halluzinationen. Falsche Sicherheit. Fehlende Aktualität. Schlechte Quellen. Zu viel Selbstbewusstsein bei gleichzeitig unklarer Grundlage.

Diese Grenzen sind kein Grund, KI abzulehnen. Sie sind ein Grund, sie ernst zu nehmen. In meinen Workshops sage ich deshalb oft: Wer die Grenzen nicht kennt, wird die Stärken nicht sauber einsetzen. Gute KI-Arbeit beginnt mit einem realistischen Bild der Schwächen.

8. Verantwortung bleibt menschlich

Das vielleicht wichtigste Learning überhaupt: Auch nach 100+ KI-Experimenten ist nicht die Maschine verantwortlich, sondern der Mensch, der sie benutzt. Das klingt banal, ist aber in der Praxis zentral. Denn je bequemer ein System wird, desto grösser ist die Versuchung, die letzte Prüfung auszulassen.

Genau deshalb ist KI-Sparring für mich mehr als Tool-Beratung. Es geht darum, Verantwortungsgrenzen zu klären. Wer prüft? Wer gibt frei? Wer trägt die Konsequenzen? Wer entscheidet, ob ein Resultat gut genug ist? Diese Fragen sind nicht sexy, aber sie sind das Fundament.

9. Die Menschen, mit denen ich arbeite, entscheiden mit

In Beratungen, Lehrgängen und Gesprächen mit Unternehmern habe ich gemerkt, dass KI immer auch ein Kulturthema ist. Manche Teams sind neugierig und schnell. Andere sind vorsichtig und brauchen mehr Erklärung. Wieder andere sind erschöpft von all den Versprechen und wollen zuerst sehen, ob der konkrete Nutzen wirklich da ist.

Alle drei Reaktionen sind verständlich. Und alle drei brauchen einen anderen Einstieg. Das ist für mich die eigentliche Professionalisierung in der KI-Beratung: nicht das gleiche Tool allen überstülpen, sondern die richtige Form der Begleitung finden.

10. Was ich heute anders mache als am Anfang

Früher habe ich öfter gefragt: Was kann dieses Tool? Heute frage ich zuerst: Was ist das Problem? Dann: Wer arbeitet damit? Dann: Wie oft wiederholt sich die Aufgabe? Und erst danach: Welches Werkzeug passt hier wirklich?

Dieser Perspektivenwechsel klingt simpel, ist aber entscheidend. Denn mit jedem Experiment wurde mir klarer, dass die beste KI nicht diejenige ist, die am meisten beeindruckt, sondern diejenige, die im Alltag am wenigsten zusätzliche Erklärungen braucht.

Was ich nach über 100 Experimenten tatsächlich gelernt habe

1. KI wird erst nützlich, wenn der Kontext sauber ist.
2. Prozesse sind wichtiger als Prompts.
3. Die kleinen Anwendungsfälle bringen meist den grössten Nutzen.
4. Die Grenzen eines Systems sind Teil seiner Qualität.
5. Verantwortung bleibt immer beim Menschen.
6. Ein gutes Tool ersetzt keine gute Entscheidung.
7. Ein ehrlicher Pilot ist wertvoller als ein schöner PowerPoint-Fall.

Diese Liste ist nicht komplett. Aber sie beschreibt ziemlich gut, was ich heute Schweizer KMU mitgeben würde: Starten Sie klein, prüfen Sie ehrlich und nehmen Sie Ihre eigene Organisation ernst. Dann wird KI nicht zum Theater, sondern zum Werkzeug.

Die Experimente, die am meisten gebracht haben

Rückblickend waren es meistens nicht die spektakulären Versuche, die am meisten verändert haben. Es waren die stillen Alltagstests. Zum Beispiel: Wie gut kann ein Entwurf für eine E-Mail strukturiert werden? Wie schnell lässt sich aus einem längeren Text eine brauchbare Zusammenfassung bauen? Wie sinnvoll kann ein Modell bei der Vorbereitung einer Besprechung helfen, ohne selbst die Verantwortung zu übernehmen?

Genau diese kleinen Tests haben mir gezeigt, dass KI dort am stärksten ist, wo sie Wiederholung, Struktur und Tempo unterstützt. Sie ist nicht am besten, wenn sie «beeindruckend» sein will. Sie ist am besten, wenn sie eine Aufgabe verlässlich mitträgt und Menschen dabei klüger arbeiten lässt.

Was ich heute anders beurteile als früher

Früher habe ich oft zuerst auf die Fähigkeit eines Tools geschaut. Heute schaue ich zuerst auf den Betrieb: Wer nutzt es? Wie oft? In welchem Rhythmus? Was passiert mit dem Ergebnis? Wie gut ist die Schnittstelle zwischen Mensch und Maschine? Diese Fragen sind weniger sexy, aber deutlich nützlicher.

Denn ein Tool kann technisch brillant sein und trotzdem im Unternehmen scheitern. Nicht, weil die Technik schlecht wäre, sondern weil der Rahmen fehlt. Deshalb denke ich bei KI immer zuerst an Anwendungslogik, nicht an Funktionslisten. Das ist für mich der Kern jeder seriösen KI-Beratung.

Drei Arten von Experimenten

Nach vielen Tests erkenne ich drei Typen immer wieder:

• Der Schnelltest: Ein kleines Experiment, das sofort zeigt, ob ein Use Case überhaupt Potenzial hat.
• Der Alltags-Test: Ein Versuch über mehrere Tage oder Wochen, bei dem sichtbar wird, ob das Tool im echten Rhythmus hilft.
• Der Kultur-Test: Ein Experiment, das zeigt, wie Menschen im Team mit einer neuen Arbeitsweise umgehen.

Diese drei Ebenen sind wichtig, weil sich KI-Projekte nicht nur an Technik, sondern auch an Gewohnheiten, Erwartungen und Kommunikation entscheiden. In Schweizer KMU ist das besonders relevant, weil die Teams oft klein genug sind, dass jede neue Arbeitsweise sofort spürbar wird.

Was ich nicht mehr glaube

Ich glaube nicht mehr daran, dass man mit einem einzigen grossen KI-Plan alles lösen kann. Ich glaube auch nicht, dass jede Organisation zuerst eine komplexe Strategie braucht. Oft braucht es zuerst Beobachtung, Klarheit und einen ehrlichen Blick auf die tatsächliche Arbeit.

Und ich glaube ganz sicher nicht, dass die glänzendste Demo automatisch die beste Lösung ist. Die Realität ist meistens viel unspektakulärer. Wer das akzeptiert, baut bessere KI-Projekte. Wer nur das Spektakel sucht, bleibt oft bei einer netten Vorführung stehen.

Was diese Experimente mit meiner Arbeit verändert haben

Die Experimente haben meine Arbeit nicht nur inhaltlich verändert, sondern auch meine Haltung. Ich bin vorsichtiger geworden mit grossen Versprechen. Gleichzeitig bin ich klarer geworden, wenn es um reale Chancen geht. Das klingt vielleicht widersprüchlich, ist es aber nicht. Wer genauer hinschaut, wird weder naiv noch zynisch. Er wird präziser.

Diese Präzision hilft mir heute in Gesprächen mit Unternehmern, Führungskräften und Teams. Ich weiss besser, wo KI tatsächlich entlastet und wo sie bloss zusätzliche Komplexität erzeugt. Ich weiss auch, dass viele Unternehmen nicht an der Technik scheitern, sondern an der fehlenden Übersetzung in den Alltag. Genau dort setze ich an.

Fragen, die ich mir nach jedem Test stelle

1. Hat der Test wirklich etwas vereinfacht oder nur anders verpackt?
2. Würde ein Team das Ergebnis auch nach zwei stressigen Wochen noch sinnvoll nutzen?
3. Ist der Mehrwert gross genug, um ihn im Betrieb zu verankern?
4. Versteht man den Ablauf ohne lange Erklärung?
5. Ist klar, wo der Mensch die letzte Entscheidung behält?

Diese Fragen haben mir geholfen, nicht in Tool-Faszination hängen zu bleiben. Sie sind auch für KMU nützlich, weil sie die Diskussion auf einen vernünftigen Boden zurückholen. Man muss nicht alles auf einmal können. Aber man sollte wissen, warum man überhaupt anfängt.

Ein Wort zu Workshops und Weiterbildung

In Workshops zeigt sich sehr schnell, ob ein Thema nur theoretisch interessant ist oder im Alltag wirklich zieht. Wenn Menschen nach einer Stunde plötzlich konkrete Fälle aus ihrem Betrieb einbringen, weiss ich, dass wir nicht bei der Technologie stehen geblieben sind. Dann geht es um Umsetzung. Genau dann wird aus einem Experiment ein Lernprozess.

Das ist für mich auch der Grund, warum ich KI-Weiterbildung so wichtig finde. Nicht, weil jedes Unternehmen sofort Expertinnen und Experten produzieren muss, sondern weil Menschen verstehen sollten, wie sie mit der Technologie arbeiten können, ohne die Kontrolle abzugeben. Das ist kein Luxus. Das ist ein Wettbewerbsfaktor.

Mein Fazit

Nach 100+ KI-Experimenten bin ich weder euphorischer noch skeptischer geworden. Ich bin präziser geworden. Ich weiss heute besser, wann KI hilft, wann sie stört und wann sie einfach noch nicht reif für einen bestimmten Einsatz ist.

Genau diese Präzision ist für Schweizer KMU wertvoll. Nicht die grosse Vision allein, sondern die saubere Übersetzung in den Arbeitsalltag. Wer KI so einführt, dass Menschen ihr vertrauen können, wird langfristig mehr erreichen als jedes kurzfristige Leuchtturmprojekt.