KI-Assistenten mit eigenem Firmenwissen: Der komplette Guide

Ein eigener KI-Assistent mit deinem Firmenwissen lohnt sich, sobald du dieselbe Aufgabe mit demselben Hintergrundwissen mehrmals pro Woche erledigst. Darunter bist du im normalen Chat schneller. Dieser Guide zeigt dir, woran du den Unterschied erkennst, aus welchen drei Bausteinen ein brauchbarer Assistent besteht und wie du verhinderst, dass er nach zwei Wochen ungenutzt in der Seitenleiste verstaubt.

Der Anlass für diesen Text ist ein Artefakt aus einem meiner Workshops. Nachdem das Schema einmal an der Wand stand, haben die Teilnehmenden unaufgefordert sieben Assistenten spezifiziert. Jeden einzelnen nach demselben Dreier-Muster: Aufgabe, Wissensdaten, Constraints. Niemand hatte darum gebeten.

Aus derselben Runde stammt der Satz, um den sich der halbe Guide dreht. Im Feedback schrieb jemand: „So habe ich eine ‚Test’-Skill aber keinen Alltags-Skill.” Genau da bleiben fast alle hängen. Der Assistent funktioniert im Demo-Fall, und danach macht ihn nie wieder jemand auf.

Wann sich ein eigener Assistent lohnt und wann der normale Chat reicht

Die ehrliche Antwort zuerst: In den meisten Fällen reicht der normale Chat. Ein Assistent ist Infrastruktur, und Infrastruktur kostet Aufbau und Pflege.

Meine Faustregel hat drei Bedingungen. Alle drei müssen zutreffen, nicht nur eine.

1. Wiederholung. Du machst die Aufgabe mindestens wöchentlich, eher öfter. Einmal im Quartal ein Jahresbericht: kein Assistent, sondern ein guter Prompt und zwei Stunden Zeit.

2. Fester Kontext. Die Aufgabe braucht jedes Mal dasselbe Hintergrundwissen, das nicht im Modell steckt. Deine Preisliste. Deine Leistungsbeschreibungen. Eure Tonalität. Die zwölf Fragen, die jeder Interessent stellt. Wenn du merkst, dass du in jedem zweiten Chat dieselben drei Absätze Kontext eintippst, ist das dein Signal.

3. Wiederholbarer Output. Das Ergebnis hat jedes Mal ungefähr dieselbe Form. Ein Angebotsentwurf, eine Antwortmail, ein Social-Post, ein Gesprächsprotokoll mit Todos.

Fehlt eine dieser drei Bedingungen, bau nichts. Fehlt vor allem Nummer drei, wird dein Assistent zum Frust-Erlebnis, weil er immer nur „so ungefähr” trifft. Welche Grenzfälle es gibt und wann du besser bei einem gut gepflegten Prompt bleibst, habe ich in Wann lohnt sich ein eigener KI-Assistent? im Detail aufgeschrieben.

Wie oft hast du diese Woche denselben Kontext in ein leeres Chatfenster getippt? Wenn dir spontan mehr als drei Situationen einfallen, hast du deinen ersten Use Case schon gefunden.

Zur Einordnung, warum das Thema gerade jetzt hochkocht: Laut der Studie „Künstliche Intelligenz 2025” von Bitkom Research im Auftrag des Digitalverbands Bitkom, einer telefonischen Befragung von 604 Unternehmen in Deutschland ab 20 Beschäftigten, nutzen 36 Prozent der Unternehmen KI. Im Jahr davor waren es 20 Prozent. Als größte Hemmnisse nennen jeweils 53 Prozent rechtliche Unklarheiten und fehlendes technisches Know-how. Zwei Einschränkungen dazu, damit wir uns richtig verstehen: Die Erhebung beginnt erst bei 20 Beschäftigten, deckt meine Zielgruppe also nur am Rand ab. Und „nutzt KI” heißt in so einer Umfrage oft genug, dass drei Leute ChatGPT offen haben.

Die drei Bausteine: Aufgabe, Wissensdaten, Constraints

Hier ist das Schema, das im Workshop diesen Effekt hatte. Es ist absichtlich klein.

Aufgabe. Ein Satz, der beschreibt, was der Assistent tut. Beschreibe, was er produziert, und lass weg, wofür er zuständig ist. „Er erstellt aus meinen Stichpunkten nach einem Erstgespräch einen Angebotsentwurf im Firmenformat.” Das ist eine Aufgabe. „Er hilft beim Vertrieb” ist ein Themengebiet, und Themengebiete kann man nicht bauen.

Wissensdaten. Die Dokumente, die er kennen muss, um diese eine Aufgabe zu erledigen. Deine Leistungsbeschreibungen, die letzten fünf freigegebenen Angebote, die Preislogik.

Constraints. Die Grenzen. Was er nicht darf, was er nicht erfinden soll, wann er nachfragen muss statt zu raten.

Warum funktioniert das? Weil es die Frage „Was soll ich mit KI machen?” in drei kleine, beantwortbare Fragen zerlegt. Die große Frage lähmt. Die drei kleinen kann jeder beantworten, der seinen Job kennt. Deshalb hatte die Workshop-Gruppe nach kurzer Zeit sieben Spezifikationen auf dem Tisch, obwohl vorher niemand wusste, wo anfangen.

Der Denkfehler, den das Schema auflöst: Die meisten glauben, sie bräuchten bessere Prompts. Was sie eigentlich brauchen, sind wiederverwendbare Arbeitsanweisungen. Diese Unterscheidung habe ich ausführlich in Deine KI braucht keine besseren Prompts. Sie braucht SOPs. auseinandergenommen. Ein Assistent ist die verpackte Form davon: Anweisung plus Wissen plus Grenzen, einmal festgeschrieben.

Eine Grenze des Schemas nenne ich gleich mit. Es taugt für Aufgaben mit stabiler Struktur. Für Arbeit, bei der das Urteil selbst der Kern ist, also Verhandlungsstrategie, Personalentscheidungen, Positionierung, ist es das falsche Werkzeug. Dort hilft dir ein Gespräch weiter, kein Assistent mit festen Regeln. Wie du die drei Bausteine sauber formulierst, inklusive Vorlage, steht in Aufgabe, Wissen, Constraints: das Schema.

Die Wissensbasis: was rein gehört und was nicht

Der häufigste Fehler beim ersten Assistenten ist Großzügigkeit. Man lädt alles hoch, was irgendwie zum Thema gehört, 40 Dateien, und wundert sich über schwammige Antworten.

Die Regel dagegen ist unbequem: Nur was für diese eine Aufgabe gebraucht wird.

Was rein gehört:

• Freigegebene Endversionen, keine Entwürfe
• Deine echten Beispiele, also die drei bis fünf Angebote, Mails oder Posts, bei denen du sagst: genau so
• Fakten, die das Modell unmöglich wissen kann: Preise, Fristen, Zuständigkeiten, interne Begriffe
• Ein kurzes Glossar, wenn ihr Wörter anders benutzt als der Rest der Branche

Was draußen bleibt:

• Alles Veraltete. Eine alte Preisliste neben der neuen ist schlimmer als gar keine Preisliste.
• Widersprüchliche Fassungen desselben Dokuments. Das Modell entscheidet dann willkürlich, und du merkst es erst im Angebot.
• Riesige PDFs, in denen die relevanten zwei Seiten irgendwo in der Mitte liegen. Schneide sie zu.
• Personenbezogene Daten, die für die Aufgabe nicht nötig sind. Dazu unten mehr.

Ein Wort zur Erwartungshaltung, das mir wichtig ist. Eine Wissensbasis macht Antworten belastbarer, sie macht sie nicht wahr. Die Untersuchung „Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools” von Magesh und Kolleginnen am Stanford RegLab und am Institute for Human-Centered AI hat 2024 die großen juristischen Recherche-Tools von LexisNexis und Thomson Reuters getestet. Diese Systeme arbeiten genau nach dem Prinzip, das auch deinem Assistenten zugrunde liegt: Antworten werden aus einer hinterlegten Dokumentensammlung abgeleitet. Ergebnis: Sie halluzinierten in 17 bis 33 Prozent der Fälle, trotz Marketing-Versprechen, das Problem sei gelöst. Allgemeine Chatbots ohne Wissensbasis lagen bei juristischen Fragen deutlich schlechter.

Für dich heißt das zweierlei. Die Wissensbasis hilft messbar. Sie ersetzt deinen Blick trotzdem nicht, gerade bei Zahlen und Zusagen. Welche Dokumente in welcher Form am besten funktionieren, inklusive Dateiformaten und Zuschnitt, steht in Wissensbasis: die richtigen Dokumente auswählen.

Constraints: was der Assistent nicht tun soll

Constraints sind der Baustein, den Leute überspringen. Sie sind gleichzeitig der Baustein, der aus einem netten Spielzeug ein Arbeitsgerät macht.

Vier Typen, die ich in fast jedem sinnvollen Assistenten sehe:

Inhaltliche Grenzen. „Nenne nie einen Preis, der nicht in der hinterlegten Preisliste steht.” „Sage keine Liefertermine zu.” „Erfinde keine Referenzkunden.”

Formgrenzen. „Maximal 300 Wörter.” „Immer Du-Ansprache.” „Keine Bulletpoints in Kundenmails.”

Verhaltensgrenzen. Der wichtigste Typ, und der am seltensten genutzte. „Wenn dir eine Information zur Aufgabe fehlt, frag nach, statt zu schätzen.” „Wenn die Anfrage nicht in dein Aufgabengebiet fällt, sag das und hör auf.”

Eskalationsgrenzen. „Bei Beschwerden, Kündigungen oder rechtlichen Fragen: kein Entwurf, sondern der Hinweis, dass ein Mensch übernimmt.”

Der Unterschied zwischen einem Assistenten, der irgendwie funktioniert, und einem, dem du Arbeit anvertraust, liegt fast immer im dritten Typ. Ein Modell rät lieber, als zu fragen. Das ist Standardverhalten, und du musst es explizit abstellen.

Ein konstruiertes Beispiel zur Illustration, nicht aus einem echten Projekt: Ein Angebots-Assistent bekommt Stichpunkte aus einem Erstgespräch, in denen der Umfang des Projekts unklar bleibt. Ohne Constraint schreibt er ein vollständiges, plausibel klingendes Angebot mit erfundenem Umfang. Mit Constraint schreibt er: „Mir fehlen Projektdauer und Anzahl der Workshoptage. Beides beeinflusst den Preis. Soll ich zwei Varianten bauen?” Der zweite Assistent spart dir echte Zeit. Der erste kostet dich welche, weil du seinen Text erst auseinandernehmen musst.

Formulierungen, die in der Praxis greifen, plus die typischen Constraints, die zu streng geraten und den Assistenten unbrauchbar machen, findest du in Constraints schreiben, die wirklich greifen.

Vom Test-Assistenten zum Alltags-Assistenten

Jetzt zu dem Satz aus dem Workshop-Feedback: „So habe ich eine ‚Test’-Skill aber keinen Alltags-Skill.”

Das ist die präziseste Beschreibung des Problems, die ich kenne. Du baust im Workshop oder am Sonntagabend einen Assistenten. Er löst den Beispielfall gut. Du bist zufrieden. Und dann öffnest du ihn nie wieder.

Ich sehe vier Gründe dafür, und sie haben alle nichts mit der Qualität des Assistenten zu tun.

Der Anlass fehlt. Ein Test-Assistent wartet darauf, dass du an ihn denkst. Im Alltag denkst du nicht an ihn, weil du gerade arbeitest. Ein Alltags-Assistent hängt an einem Auslöser, den es sowieso gibt: nach jedem Erstgespräch, jeden Montag vor der Wochenplanung, bei jeder Anfrage über das Kontaktformular.

Der Testfall war zu sauber. Du hast ihn mit einem gut aufbereiteten Beispiel gefüttert. Deine echten Inputs sind Sprachnotizen, halbe Sätze, ein Screenshot. Wenn der Assistent nur mit Idealfutter umgehen kann, ist er im Alltag wertlos.

Er sitzt am falschen Ort. Wenn du für den Assistenten die App wechseln, dich einloggen und zwei Menüs durchklicken musst, verlierst du gegen den Reflex, es einfach selbst zu tippen.

Niemand hat entschieden, dass er benutzt wird. Bei Teams der häufigste Grund. Es gibt kein „ab jetzt machen wir das so”, also macht es keiner.

Der Umbau vom Test zum Alltag besteht aus drei kleinen Schritten. Erstens: den Auslöser benennen und aufschreiben. Zweitens: den Assistenten eine Woche lang mit echtem, unaufgeräumtem Material füttern und jedes Mal notieren, wo er scheitert. Drittens: den Zugang verkürzen, also Lesezeichen, Startseite, festes Fenster, egal wie unelegant.

Erwarte dabei keinen sauberen Verlauf. Realistisch ist eine Woche, in der du dreimal denkst, das Ding taugt nichts, und einmal, dass es dir 20 Minuten gespart hat. Genau diesen Übergang, inklusive einer Sieben-Tage-Routine, beschreibe ich Schritt für Schritt in Vom Test-Skill zum Alltags-Skill.

Was mich an dieser Stelle optimistisch macht, sind zwei belastbare Experimente. Shakked Noy und Whitney Zhang von der MIT-Ökonomiefakultät haben in einem präregistrierten Experiment mit 453 akademisch gebildeten Fachkräften gemessen, was passiert, wenn eine Hälfte Zugang zu ChatGPT bekommt. Die benötigte Zeit für berufstypische Schreibaufgaben sank um 40 Prozent, die bewertete Qualität stieg um 18 Prozent. Die Studie erschien 2023 in Science. Und Fabrizio Dell’Acqua und Kolleginnen von Harvard Business School, MIT, Wharton und der Boston Consulting Group ließen 758 BCG-Beraterinnen und -Berater mit und ohne GPT-4 an realistischen Aufgaben arbeiten. Ergebnis laut HBS Working Paper 24-013 aus dem Jahr 2023: 12,2 Prozent mehr erledigte Aufgaben, 25,1 Prozent schneller, 40 Prozent höhere bewertete Qualität.

Und jetzt der Teil, den die Zusammenfassungen gern weglassen. Dieselbe Studie prägte den Begriff der „jagged frontier”, der ausgefransten Fähigkeitsgrenze. Bei Aufgaben jenseits dieser Grenze lagen die Teilnehmenden mit KI-Unterstützung 19 Prozentpunkte seltener richtig als die Kontrollgruppe. Die KI machte sie dort also schlechter, und zwar ohne dass sie es merkten. Deine Constraints und dein Testverfahren sind der Versuch, diese Grenze für deinen Use Case zu kartieren.

Wo du ihn baust: CustomGPT, Claude Project, Gem, eigene Lösung

Kurzfassung für Ungeduldige: Es ist egal, solange du schon zahlender Kunde bei einem der drei Anbieter bist. Nimm den, den du ohnehin täglich offen hast.

CustomGPT (OpenAI). Am weitesten verbreitet, am einfachsten zu teilen, größtes Ökosystem. Gut, wenn viele Leute im Team schon ChatGPT nutzen.

Claude Project (Anthropic). Stark bei langen Dokumenten und beim präzisen Befolgen von Anweisungen. Meine erste Wahl, wenn die Wissensbasis aus umfangreichen Texten besteht und die Constraints eng sind.

Gem (Google). Sinnvoll, wenn ihr tief in Google Workspace steckt und die Nähe zu Drive und Gmail den Ausschlag gibt.

Eigene Lösung. Erst relevant, wenn eine der folgenden Bedingungen zutrifft: Der Assistent muss auf eine Datenbank oder ein CRM zugreifen. Ihr habt Compliance-Auflagen, die die Standard-Angebote nicht erfüllen. Oder Kunden sollen ihn benutzen, nicht nur ihr. Ansonsten baust du dir mit einer Eigenlösung vor allem Wartungsarbeit ein.

Meine Empfehlung für den Anfang klingt banal und spart die meiste Zeit: Bau den ersten Assistenten dort, wo du ohne Nachdenken hinklickst. Umziehen kannst du später, und das dauert eine halbe Stunde, wenn deine Wissensbasis als eigene Dateien existiert und nicht nur in irgendeinem Chatverlauf lebt. Der ausführliche Vergleich mit Limits, Teamfunktionen und Preisen steht in CustomGPT, Claude Project oder Gem: der Vergleich.

Wer eher aus der Content-Ecke kommt und statt einzelner Assistenten ein zusammenhängendes System sucht, findet die übergeordnete Perspektive in meinem Guide zu KI-Systemen für Creator. Die Bausteine sind dieselben, der Rahmen ist ein anderer.

Im Team teilen: Rollen, Rechte, Vertraulichkeit

Sobald mehr als eine Person den Assistenten nutzt, kommen drei Fragen dazu, die vorher niemanden interessiert haben.

Wer darf ihn ändern? Genau eine Person. Ein Assistent, an dem vier Leute gleichzeitig an den Instructions schrauben, driftet innerhalb von Wochen ab, und niemand weiß mehr, warum er sich anders verhält als letzten Monat. Setz eine verantwortliche Person ein, und lass alle anderen Änderungswünsche als Anfrage einreichen.

Wer sieht welches Wissen? Ein geteilter Assistent gibt sein hinterlegtes Wissen an jeden weiter, der ihn öffnet. Wenn die Wissensbasis Kalkulationen oder Margen enthält, hat jede Werkstudentin diese Zahlen. Der saubere Weg ist die Aufteilung: ein Assistent mit unkritischem Wissen für alle, ein zweiter mit sensiblen Daten für einen kleinen Kreis.

Wer sagt, dass er benutzt wird? Diese Frage entscheidet über Erfolg oder Karteileiche. Ohne eine Ansage, wer den Assistenten ab wann in welchem Schritt einsetzt, passiert nichts.

Dazu ein Befund, den ich für unterschätzt halte. In derselben Bitkom-Befragung aus dem Jahr 2025 gehen 42 Prozent der Unternehmen davon aus, dass Beschäftigte am Arbeitsplatz private KI-Anwendungen nutzen. Regelungen für den KI-Einsatz haben dagegen nur 23 Prozent, nach 15 Prozent im Vorjahr. Die Lücke zwischen beiden Zahlen ist der eigentliche Punkt. Deine Leute nutzen KI längst, nur eben unkoordiniert, mit privaten Accounts und ohne Vorgaben. Ein geteilter Assistent mit klaren Constraints ist die pragmatischste Antwort darauf, die ich kenne, weil er den Weg über die private App unattraktiv macht, statt ihn zu verbieten.

Wie du Rollen, Freigabeprozesse und Onboarding für neue Teammitglieder konkret aufsetzt, steht in KI-Assistenten im Team teilen.

Datenschutz und Firmenwissen

Dieser Abschnitt ersetzt keine Rechtsberatung. Er nennt die vier Punkte, die in kleinen Teams am häufigsten übersehen werden.

Auftragsverarbeitung. Sobald personenbezogene Daten in ein KI-Tool wandern, brauchst du nach Artikel 28 DSGVO einen Auftragsverarbeitungsvertrag mit dem Anbieter. Die großen Anbieter stellen solche Verträge für ihre Business- und Team-Tarife bereit. In privaten Gratis-Accounts fehlt diese Grundlage, und genau dort passiert im Alltag am meisten.

Trainingsnutzung. Prüfe für deinen konkreten Tarif, ob Eingaben zur Modellverbesserung verwendet werden. Das unterscheidet sich zwischen Privat- und Geschäftstarifen erheblich und ändert sich immer mal wieder. Der einzige belastbare Weg ist, in den Einstellungen deines eigenen Accounts nachzusehen, nicht in einem Blogartikel von vor einem Jahr.

Datensparsamkeit in der Wissensbasis. Die wirksamste Maßnahme ist die simpelste. Anonymisiere, bevor du hochlädst. Ein Angebots-Assistent braucht die Struktur und die Preislogik deiner letzten fünf Angebote, er braucht keine Kundennamen, keine Ansprechpartner, keine Adressen.

KI-Kompetenz. Artikel 4 der EU-KI-Verordnung gilt seit dem 2. Februar 2025. Er verpflichtet Anbieter und Betreiber von KI-Systemen dazu, für ein ausreichendes Maß an KI-Kompetenz bei ihrem Personal zu sorgen, unabhängig von der Risikoklasse des Systems. Formale Zertifikate schreibt die Verordnung nicht vor. Sinnvoll ist eine dokumentierte, kurze Einweisung: was das Tool tut, wo seine Grenzen liegen, was nicht hineingehört. Für ein Team unter zwanzig Personen ist das eine Stunde plus ein Einseiter.

Eine Einordnung noch, weil hier viel Angst verkauft wird: Der häufigste reale Datenschutzvorfall in kleinen Firmen geht selten vom Anbieter aus. Meistens kopiert jemand aus dem Team einen Kundenvertrag in seinen privaten Gratis-Account, weil es keine offizielle Alternative gibt. Die tiefere Behandlung inklusive Checkliste und Formulierungshilfen steht in DSGVO und Firmenwissen im KI-Assistenten.

Testen: woran du merkst, ob er taugt

Die meisten testen ihren Assistenten, indem sie ihn ein paarmal benutzen und ein Bauchgefühl entwickeln. Das reicht nicht, weil das Bauchgefühl vom letzten Ergebnis dominiert wird.

Mein Minimalverfahren braucht 30 Minuten und funktioniert auch bei einem Solo-Business.

Baue ein Testset aus fünf echten Fällen. Nimm fünf reale Vorgänge aus den letzten Monaten, für die du das richtige Ergebnis kennst, weil es damals von dir kam. Ein leichter Fall, drei typische, ein hässlicher.

Lass den Assistenten alle fünf bearbeiten. Ohne Nachhelfen, ohne Nachfragen im Chat. Du willst wissen, was er allein kann.

Bewerte nach drei Kriterien. Ist es fachlich richtig? Ist es in deiner Sprache? Wie viele Minuten müsstest du nachbessern, bis es rausgehen kann?

Rechne die Schwelle aus. Wenn du weniger als die Hälfte der Zeit brauchst, die du für die Aufgabe von Hand brauchst, ist der Assistent produktiv. Darüber ist er ein Hobby.

Teste die Grenzen mit. Gib ihm bewusst eine Aufgabe, die er ablehnen soll. Erfundene Preise, eine Frage außerhalb des Gebiets, eine unvollständige Angabe. Ein Assistent, der auch das brav beantwortet, hat keine funktionierenden Constraints.

Der letzte Punkt ist der, den fast alle auslassen. Er ist gleichzeitig der aussagekräftigste, weil ein Assistent im Alltag nicht an den Standardfällen scheitert. Er scheitert an den Rändern, und zwar leise. Ein Bewertungsbogen und Beispiel-Testfälle liegen in KI-Assistent testen: Qualität messen statt hoffen.

Wartung: verhindern, dass er veraltet

Ein Assistent altert wie ein Mitarbeiter, dem seit sechs Monaten niemand etwas Neues erzählt hat. Er arbeitet weiter, nur eben mit dem Stand von damals.

Was in der Praxis veraltet, in dieser Reihenfolge: Preise, Leistungsumfang, Ansprechpartner, Tonalität, Positionierung. Preise sind der Klassiker, weil die Änderung im Sales passiert und niemand daran denkt, dass sie auch im Assistenten steht.

Meine Minimalroutine, die realistisch durchhaltbar ist:

• Bei jeder Preis- oder Leistungsänderung: sofort die betroffene Datei in der Wissensbasis austauschen. Das gehört in eure Änderungs-Checkliste, nicht in gutes Gedächtnis.
• Einmal im Quartal, 20 Minuten: dieselben fünf Testfälle aus dem Abschnitt oben durchlaufen lassen. Wenn die Ergebnisse schlechter sind als beim letzten Mal, weißt du sofort Bescheid.
• Einmal im Jahr: Wissensbasis komplett durchsehen und alles löschen, was seit einem Jahr nicht mehr gebraucht wurde.

Dazu ein Führungsdetail, das mehr bewirkt als jede Technik: Schreib in die Instructions, welchen Stand die Wissensbasis hat, zum Beispiel „Preisliste Stand Juli 2026”. Dann kann der Assistent selbst sagen, dass er möglicherweise veraltete Zahlen nutzt. Ein Assistent, der seine eigene Unsicherheit benennt, ist mehr wert als einer, der immer selbstbewusst klingt.

An dieser Stelle der Einwand, den ich mir selbst am häufigsten stelle: Lohnt sich der Aufbau überhaupt, wenn die Modelle in einem Jahr sowieso viel besser sind und all das vielleicht überflüssig machen? Die Frage ist berechtigt. Meine Antwort in zwei Teilen. Die Technik altert tatsächlich schnell, deine Arbeit an ihr nicht. Was du beim Bauen produzierst, sind saubere Dokumente, explizite Regeln und eine ehrliche Beschreibung deiner eigenen Prozesse. Diese Artefakte ziehen mit dir um, egal welches Modell nächstes Jahr vorne liegt. Was tatsächlich wegfallen kann, ist der technische Zusammenbau. Deshalb rate ich auch dazu, den Aufwand klein zu halten und keine Eigenlösung zu bauen, solange die Standard-Angebote reichen.

Konkrete Wartungsintervalle und ein Vorlage-Changelog stehen in KI-Assistent aktuell halten.

Typische Fehler

Die Muster, die ich am häufigsten sehe, wenn ein erster Assistent nicht funktioniert:

Zu breit geschnitten. „Marketing-Assistent” statt „erstellt LinkedIn-Posts aus Blogartikeln nach unserer Tonalität”. Breite fühlt sich mächtig an und produziert Beliebigkeit.

Wissensbasis als Müllhalde. Alles hochladen, was zum Thema gehört. Zwölf gute Seiten schlagen 300 mittelmäßige.

Keine Verhaltens-Constraints. Der Assistent rät, statt nachzufragen, und du merkst es erst, wenn ein erfundener Liefertermin beim Kunden gelandet ist.

Kein Auslöser im Alltag. Der Test-Skill aus dem Workshop-Zitat. Gebaut, für gut befunden, nie wieder geöffnet.

Alles auf einmal. Sieben Assistenten aus dem Workshop sind eine hervorragende Ideenliste und eine katastrophale Wochenplanung. Baue einen. Bring den in den Alltag. Dann den nächsten.

Output ungeprüft rausschicken. Dein Name steht darunter. Bei Zahlen, Terminen und Zusagen liest du gegen, immer.

Den Assistenten geheim halten. Wenn im Team niemand weiß, dass es ihn gibt, existiert er nicht. Zwei Minuten im Wochenmeeting reichen.

Die ausführliche Version mit Gegenmitteln zu jedem Punkt steht in Häufige Fehler beim ersten KI-Assistenten.

Die Aufbau-Reihenfolge

Wenn du diese Woche anfängst, dann so. Die Reihenfolge folgt meiner Methode Klären, Bauen, Befähigen, und sie ist absichtlich langsamer, als es sich anfühlt.

Tag 1: Klären. Schreib deine drei häufigsten wiederkehrenden Aufgaben auf und prüfe sie gegen die drei Bedingungen aus dem ersten Abschnitt. Wähle genau eine aus. Nicht zwei.

Tag 2: Spezifizieren. Ein Blatt Papier, drei Blöcke. Aufgabe in einem Satz, Wissensdaten als Liste, Constraints als Aufzählung. Das dauert 30 Minuten, wenn du deine Arbeit kennst.

Tag 3: Wissensbasis kuratieren. Die genannten Dokumente zusammensuchen, auf Aktualität prüfen, anonymisieren, zuschneiden. Dieser Schritt dauert am längsten und entscheidet über die Qualität.

Tag 4: Bauen. Im Tool deiner Wahl anlegen, Instructions schreiben, Dateien hochladen. Rechne mit einer Stunde. Wenn du länger brauchst, ist der Use Case zu breit.

Tag 5: Testen. Fünf echte Fälle, Bewertung nach den drei Kriterien, plus zwei bewusste Grenzverletzungen.

Woche 2: In den Alltag zwingen. Auslöser festlegen, echtes und unaufgeräumtes Material einwerfen, jeden Abend zwei Zeilen notieren, wo er versagt hat. Am Freitag nachbessern.

Woche 3: Befähigen. Erst jetzt das Team dazuholen. Zeigen, wofür er da ist, wofür nicht, wer ihn ändern darf. Dann die Ansage, ab wann er im Prozess vorgesehen ist.

Ab Woche 4: der nächste. Gleiche Reihenfolge, gleiche Geduld.

Wie dieser Ablauf in einer durchgehenden Beispielwoche aussieht, mit allen Zwischenständen, steht in Der komplette Workflow von der Idee zum laufenden Assistenten. Und wenn du vorher wissen willst, ob dein Betrieb überhaupt an der richtigen Stelle ansetzt, geht das über meinen KI-Readiness-Check, der genau diese Fragen strukturiert durchgeht.

Drei Wochen für einen einzigen Assistenten klingt nach wenig Fortschritt, wenn nebenan jemand behauptet, er habe an einem Nachmittag zwölf Agenten gebaut. Frag ihn in einem halben Jahr, welche davon er noch benutzt. Die Workshop-Gruppe hatte sieben Spezifikationen auf dem Tisch. Die nützlichste Frage an diesem Abend war trotzdem, welcher einzige davon am Montag darauf tatsächlich aufgemacht wird.

Quellen

• Durchbruch bei Künstlicher Intelligenz – Bitkom e. V., 2025
• Künstliche Intelligenz 2025 – Bitkom Research, 2025
• Bitkom-Umfrage: Jedes dritte Unternehmen nutzt KI – ZDFheute, 2025
• Beschäftigte nutzen vermehrt Schatten-KI – Bitkom e. V., 2025
• Schatten-KI: Einsatz privater KI-Anwendungen im Job wächst – connect, 2025
• Private KI-Nutzung nimmt in Firmen zu – Elektronik/WEKA Fachmedien, 2025
• Experimental evidence on the productivity effects of generative artificial intelligence – Noy & Zhang, Science, 2023
• Study finds ChatGPT boosts worker productivity for some writing tasks – MIT News, 2023
• The productivity effects of generative artificial intelligence – CEPR/VoxEU, 2023
• Navigating the Jagged Technological Frontier, Working Paper 24-013 – Harvard Business School, 2023
• Navigating the Jagged Technological Frontier – Organization Science, INFORMS, 2025
• Enterprise workers gain 40 percent performance boost from GPT-4, Harvard study finds – VentureBeat, 2023
• Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools – Stanford RegLab & HAI, 2024/2025
• New Study Shows Legal Research Platform AI Tools Do, In Fact, Hallucinate – Cardozo Law (RIPS Law Librarian Blog), 2024
• What the Science Says About Hallucinations in Legal Research – AI Law Librarians, 2026
• Article 4: AI literacy – EU Artificial Intelligence Act (Fassung der Verordnung 2024/1689)
• EU AI Act: Ban on certain AI practices and requirements for AI literacy come into effect – Mayer Brown, 2025
• AI-Act: Was Unternehmen jetzt wissen müssen – IHK Schleswig-Holstein, 2025
• KI-Kompetenz nach Art. 4 EU AI Act – TÜV Rheinland Consulting, 2025