Loop Engineering: Warum der perfekte KI-Prompt bald nicht mehr das Entscheidende ist

Loop Engineering in einer futuristischen Umgebung

Wer sich in den vergangenen Jahren ernsthaft mit künstlicher Intelligenz beschäftigt hat, kam an einem Begriff kaum vorbei: Prompt Engineering. Gemeint ist die Kunst, einer KI möglichst präzise zu sagen, was sie tun soll. Es entstanden Prompt-Sammlungen, Schulungen und zum Teil erstaunlich umfangreiche Anleitungen darüber, wie eine gute Eingabe aufgebaut sein muss.

Das war und ist durchaus sinnvoll. Aber möglicherweise schauen wir inzwischen ein wenig zu sehr auf die falsche Stelle. Denn die leistungsfähigeren KI-Systeme verstehen normale Sprache immer besser. Gleichzeitig können sie zunehmend mehr als nur eine Frage beantworten: Sie können Informationen beschaffen, Dokumente auswerten, Werkzeuge benutzen, Ergebnisse überprüfen und daraus weitere Arbeitsschritte ableiten.

Damit verschiebt sich die entscheidende Frage. Sie lautet nicht mehr nur: „Wie muss ich meinen Prompt formulieren, damit die KI ein gutes Ergebnis liefert?“ Sondern zunehmend: „Wie organisiere ich einen Arbeitsprozess, in dem die KI zuverlässig zu einem guten Ergebnis kommt?“

Genau darum geht es beim sogenannten Loop Engineering.

Was ist Loop Engineering?

Der Begriff ist noch jung und wird vor allem im Zusammenhang mit KI-Agenten und Softwareentwicklung verwendet. Die zugrunde liegende Idee ist allerdings alles andere als exotisch. Im Grunde geht es um etwas, das jeder Unternehmer aus dem Alltag kennt: um einen guten Arbeitsablauf.

Ein Mitarbeiter bekommt schließlich auch nicht jeden Morgen einen möglichst genial formulierten Einzelauftrag und wartet anschließend auf den nächsten. Bei wiederkehrenden Tätigkeiten gibt es Abläufe, Zuständigkeiten, Vorgaben und Kontrollen. Ein Auftrag kommt herein, jemand bearbeitet ihn, das Ergebnis wird geprüft, Fehler werden korrigiert und irgendwann ist die Sache erledigt.

Genau dieses Prinzip lässt sich auf KI übertragen.

Statt einer KI immer wieder einzelne Anweisungen zu geben, baut man einen Ablauf, in dem die nächsten Schritte bereits festgelegt sind. Die KI erledigt eine Aufgabe, das Ergebnis wird geprüft und abhängig davon geht es weiter, zurück zur Überarbeitung oder zum Menschen.

Das ist ein Loop – eine Arbeitsschleife.

Der Unterschied zwischen Prompt Engineering und Loop Engineering

Nehmen wir ein einfaches Beispiel. Sie möchten mit ChatGPT einen Fachartikel erstellen und schreiben:

„Erstelle einen Fachartikel mit 1.500 Wörtern für Geschäftsführer mittelständischer Unternehmen. Schreibe sachlich und verständlich, verwende Zwischenüberschriften, recherchiere aktuelle Quellen und vermeide werbliche Formulierungen.“

Je besser diese Anweisung formuliert ist, desto höher ist die Wahrscheinlichkeit eines brauchbaren Ergebnisses. Danach lesen Sie den Text und stellen fest, dass die wirtschaftlichen Auswirkungen fehlen. Also bitten Sie die KI, diese zu ergänzen. Anschließend wirken einige Aussagen nicht ausreichend belegt, also lassen Sie die Tatsachenbehauptungen prüfen. Danach ist der Artikel zu lang und muss noch einmal gekürzt werden.

Was ist passiert? Sie haben bereits in einer Schleife gearbeitet. Nur waren Sie selbst die Schleife.

Sie haben das Ergebnis gelesen, beurteilt, den nächsten Auftrag formuliert, erneut geprüft und wieder eingegriffen. Beim Loop Engineering versucht man, zumindest einen Teil dieses Ablaufs von vornherein zu organisieren:

Auftrag → Entwurf → Prüfung → Korrektur → erneute Prüfung → Freigabe.

Die KI bekommt also nicht nur gesagt, was sie produzieren soll. Der Arbeitsprozess legt zusätzlich fest, wie mit dem Ergebnis weitergearbeitet wird.

Das ist der wesentliche Unterschied: Prompt Engineering optimiert die einzelne Anweisung. Loop Engineering optimiert den gesamten Weg vom Auftrag zum brauchbaren Ergebnis.

Das klingt komplizierter, als es ist

Vom Wort „Engineering“ sollte man sich dabei nicht abschrecken lassen. Niemand muss deshalb anfangen, Python zu lernen oder am Wochenende KI-Agenten zu programmieren.

Denken Sie zunächst einfach an eine gute Arbeitsanweisung für einen Mitarbeiter. Angenommen, jeden Freitag soll ein Wochenbericht entstehen. „Mach mir bitte den Wochenbericht“ wäre eine ziemlich dürftige Vorgabe. Besser wäre: „Nimm die aktuellen Verkaufszahlen, vergleiche sie mit Vorwoche und Vorjahreszeitraum, kennzeichne Abweichungen von mehr als zehn Prozent, nenne mögliche Ursachen und weise mich auf fehlende oder unplausible Daten hin.“

Noch besser wäre allerdings ein klar definierter Ablauf: Daten holen, Vollständigkeit prüfen, Bericht erstellen, auffällige Werte markieren, Zahlen gegen die Ausgangsdaten kontrollieren und anschließend entweder freigeben oder bei Unklarheiten einen Menschen einschalten.

Das ist vom Prinzip her bereits Loop Engineering.

Ein guter Loop braucht vor allem ein klares Ziel

Eine KI einfach so lange arbeiten zu lassen, bis sie selbst meint, fertig zu sein, wäre keine besonders gute Idee. Ein funktionierender Loop braucht deshalb zunächst einen Auslöser. Irgendetwas setzt den Prozess in Gang: eine Kundenanfrage, ein neues Dokument, ein Termin, ein Datensatz oder ein Auftrag.

Dann braucht es ein Ziel. Und dieses Ziel sollte möglichst konkret sein. „Erstelle einen guten Bericht“ ist schwer überprüfbar. „Der Bericht muss die fünf Kennzahlen A bis E enthalten und sämtliche Zahlen müssen mit der Ausgangstabelle übereinstimmen“ lässt sich dagegen kontrollieren.

Danach kommt die eigentliche Arbeit. Eine KI erstellt beispielsweise den Bericht. Entscheidend ist anschließend die Prüfung: Wurden alle Anforderungen erfüllt? Sind alle Daten vorhanden? Stimmen Format und Umfang? Sind Quellen genannt? Gibt es Widersprüche?

Falls nicht, geht das Ergebnis zurück zur Überarbeitung. Erst wenn die Kriterien erfüllt sind – oder eine vorher festgelegte Grenze erreicht wurde – endet die Schleife. Ein vernünftiger Loop kennt also nicht nur ein Ziel, sondern auch ein Ende. Das klingt banal, ist aber wichtig. Eine KI, die fünfzehnmal denselben Fehler auf unterschiedliche Weise produziert, wird durch Ausdauer nicht automatisch klüger.

Das Vier-Augen-Prinzip lässt sich auf KI übertragen

Besonders interessant ist die Trennung zwischen Erstellen und Prüfen. Wenn ein Mitarbeiter einen wichtigen Vertrag vorbereitet, kann es sinnvoll sein, dass ein zweiter Mitarbeiter ihn kontrolliert. Wer seine eigene Arbeit überprüft, übersieht nun einmal leichter die eigenen Fehler.

Bei KI ist das nicht grundsätzlich anders. Deshalb kann ein Ablauf beispielsweise so aussehen: Eine KI erstellt einen Text. Eine zweite Instanz bekommt nicht den Auftrag, ihn schöner zu machen, sondern ihn anhand einer festen Checkliste kritisch zu prüfen. Die erste erhält anschließend diese Kritik und überarbeitet den Text. Danach wird noch einmal kontrolliert. Spätestens nach zwei oder drei Durchläufen geht das Ergebnis an einen Menschen.

Das ist im Grunde ein digitales Vier-Augen-Prinzip. Allerdings sollte man sich nichts vormachen: Zwei KIs können sehr überzeugend denselben Unsinn produzieren. Die Qualität hängt deshalb weniger davon ab, wie viele Prüfer beteiligt sind, sondern davon, was überhaupt geprüft wird und woran.

Wo bringt das einem KMU ganz praktisch etwas?

Interessant wird Loop Engineering vor allem dort, wo Tätigkeiten regelmäßig nach einem ähnlichen Muster ablaufen. Nehmen wir die Angebotserstellung. Heute liest ein Mitarbeiter eine Kundenanfrage, sucht Informationen zusammen, erstellt ein Angebot, kontrolliert es und verschickt es.

Ein KI-gestützter Ablauf könnte einen guten Teil dieser Vorarbeit übernehmen. Eine Anfrage kommt herein. Die KI erkennt Kunde, gewünschte Leistung, Termin und besondere Anforderungen, prüft, ob notwendige Informationen fehlen, und erstellt anschließend anhand vorhandener Vorlagen und Preislisten einen Angebotsentwurf. Eine weitere Prüfung kontrolliert Pflichtangaben, Preise und Vollständigkeit. Ist etwas unklar, landet der Vorgang beim zuständigen Mitarbeiter. Ist alles plausibel, erhält dieser einen fertigen Entwurf zur Freigabe.

Der Unterschied klingt zunächst kleiner, als er ist. Die Zeitersparnis entsteht nicht nur dadurch, dass ein einzelner Arbeitsschritt schneller erledigt wird. Interessant wird es dann, wenn ein Mensch nicht mehr jeden Zwischenschritt einzeln anstoßen muss.

Beispiel: Inhalte für Website und soziale Medien

Auch in der Kommunikation lässt sich dieses Prinzip nutzen. Ein Unternehmen veröffentlicht regelmäßig Fachbeiträge. Ein Loop könnte zunächst Themen und vorhandene Informationen sammeln, anschließend einen Entwurf erstellen und diesen danach gegen feste Kriterien prüfen.

Sind alle Anforderungen des Briefings berücksichtigt? Entspricht der Text den vereinbarten Sprachregeln? Sind Tatsachenbehauptungen belegt? Sind Quellen vorhanden? Wurde die vorgegebene Länge eingehalten? Fehlen rechtlich erforderliche Angaben?

Erst danach kommt der Text zum Menschen.

Dabei zeigt sich allerdings schnell eine Grenze: Ob ein Text wirklich interessant, glaubwürdig oder originell ist, lässt sich nicht zuverlässig mit einer simplen Checkliste beantworten. Format, Vollständigkeit und Quellen kann eine Maschine gut prüfen. Ob ein Text nach Mensch klingt oder nach frisch poliertem Beratungspapier, ist schon schwieriger. Genau dort bleibt menschliches Urteil gefragt.

Beispiel: Regelmäßige Auswertungen

Noch naheliegender sind wiederkehrende Berichte. Viele Unternehmen erstellen monatlich ähnliche Auswertungen zu Umsatz, Auftragseingang, offenen Forderungen, Websitezugriffen, Werbekosten, Reklamationen oder Produktionskennzahlen.

Statt jeden Monat dieselben Daten manuell zusammenzusuchen, kann ein KI-System einen festen Ablauf durchlaufen: Daten beschaffen, Vollständigkeit prüfen, mit dem Vormonat vergleichen, ungewöhnliche Veränderungen erkennen, einen Bericht erstellen und die verwendeten Zahlen anschließend noch einmal gegen die Ausgangsdaten kontrollieren.

Am Ende muss ein Mensch nicht mehr zwanzig Tabellenwerte zusammensuchen, sondern beschäftigt sich im Idealfall nur noch mit den Auffälligkeiten. Und genau dafür ist menschliche Arbeitszeit meist besser eingesetzt.

Beispiel: Kundenanfragen vorsortieren

Auch im Kundenservice gibt es sinnvolle Anwendungen. Eine eingehende Nachricht kann zunächst danach eingeordnet werden, worum es geht: Bestellung, Reklamation, technische Frage, Terminwunsch oder allgemeine Anfrage.

Bei einer häufig gestellten Standardfrage kann ein Antwortentwurf entstehen. Bei einer Reklamation werden Auftragsnummer und notwendige Angaben geprüft. Bei einer technischen Frage werden vorhandene Dokumentationen durchsucht. Wird der Vorgang ungewöhnlich, teuer, rechtlich heikel oder schlicht unklar, übernimmt ein Mitarbeiter.

Gerade dieser letzte Punkt ist wichtig. Ein guter KI-Prozess zeichnet sich nicht dadurch aus, dass er unbedingt alles selbst erledigt. Er sollte genauso zuverlässig erkennen, wann seine Zuständigkeit endet.

Wie baue ich einen solchen Loop ganz konkret?

Bis hierhin klingt das vielleicht noch etwas theoretisch. Deshalb nehmen wir einen konkreten Wunsch, wie er in vielen Unternehmen vorkommen könnte:

Alle zwei Tage soll ein neuer Fachartikel entstehen. Die KI soll selbständig aktuelle Themen aus dem Fachgebiet recherchieren und daraus einige interessante Vorschläge machen. Ein Mensch entscheidet, welches Thema verfolgt wird. Anschließend soll die KI selbständig weiterarbeiten: recherchieren, schreiben, Fakten und Quellen prüfen, den Artikel redaktionell überarbeiten und passende Teaser für Facebook, LinkedIn und Instagram erstellen. Am Ende soll ein möglichst veröffentlichungsreifes Paket vorliegen.

Das ist bereits ein ziemlich brauchbarer Loop. Sein Ablauf lässt sich auf einer Zeile darstellen:

Aktuelle Themen recherchieren → Themen auswählen und bewerten → drei Vorschläge vorlegen → Entscheidung des Menschen abwarten → ausgewähltes Thema vertieft recherchieren → Artikel schreiben → Fakten und Quellen prüfen → Artikel überarbeiten → Beiträge für soziale Medien erstellen → Gesamtpaket zur Freigabe vorlegen.

An einer Stelle bleibt ganz bewusst der Mensch im Prozess: bei der Themenentscheidung. Danach arbeitet die KI weiter. Genau diese Mischung aus Automatisierung und gezieltem menschlichem Eingriff ist für viele kleinere Unternehmen sinnvoller als die Vorstellung eines vollkommen autonomen KI-Mitarbeiters.

Was brauche ich dafür in ChatGPT oder Claude?

Für einen solchen Einstieg braucht man heute weder eine eigene Softwareentwicklung noch besondere Programmierkenntnisse. Wichtig sind zunächst drei Dinge: ein dauerhafter Arbeitsbereich, das notwendige Wissen über das Unternehmen und eine wiederkehrende Aufgabe.

In ChatGPT oder Claude lässt sich dafür zunächst ein Projekt beziehungsweise ein vergleichbarer dauerhafter Arbeitsbereich anlegen, beispielsweise „Blog und Social Media“. Dort gehören die Informationen hinein, welche die KI nicht bei jedem Durchlauf neu erfragen soll: Beschreibung des Unternehmens, Zielgruppen, Themengebiete, Produkte und Leistungen, bisherige Artikel, gute Textbeispiele, gewünschter Schreibstil und redaktionelle Regeln.

Gerade die Textbeispiele sind wichtig. Zehn wirklich typische eigene Artikel sagen einer KI häufig mehr über den gewünschten Stil als zwei Seiten Anweisungen mit Begriffen wie „authentisch“, „professionell“, „locker“ oder „menschlich“. Letzteres klingt zwar schön, ist aber ungefähr so präzise wie die Arbeitsanweisung „Mach es ordentlich“.

Zusätzlich braucht die KI eine klare Beschreibung des Ablaufs. Dabei sollte man nicht versuchen, einen möglichst beeindruckenden Super-Prompt zu schreiben. Sinnvoller ist es, die Arbeit in verschiedene Funktionen zu zerlegen.

Nicht ein Super-Prompt, sondern ein kleiner Redaktionsprozess

Die erste Funktion ist die Themenredaktion. Sie beobachtet das vereinbarte Fachgebiet, recherchiert aktuelle Entwicklungen und entscheidet zunächst noch gar nichts. Ihre Aufgabe besteht darin, beispielsweise drei Themen vorzuschlagen und jeweils kurz zu erklären, warum dieses Thema für die definierte Zielgruppe interessant sein könnte.

Dann kommt der Mensch. Er entscheidet beispielsweise: „Thema zwei.“

Diese Entscheidung ist der Auslöser für den nächsten Teil des Loops. Nun übernimmt die Recherche. Sie sucht belastbare Informationen und möglichst ursprüngliche Quellen, prüft Aktualität und Widersprüche und stellt das Material zusammen, das für einen fundierten Artikel benötigt wird.

Danach übernimmt die Autorenfunktion. Sie schreibt aus diesem Material einen Artikel nach den hinterlegten redaktionellen Vorgaben.

Damit ist der Prozess aber noch nicht beendet. Jetzt kommt die redaktionelle Prüfung. Sie soll ausdrücklich nicht bestätigen, dass der Text gelungen ist, sondern nach Schwächen suchen. Sind Aussagen unbelegt? Gibt es Widersprüche? Wiederholt sich der Artikel? Werden Dinge behauptet, die aus den Quellen gar nicht hervorgehen? Sind die Absätze vernünftig aufgebaut? Gibt es typische KI-Floskeln? Wird ein Gedanke wirklich entwickelt oder lediglich in fünf Zwischenüberschriften zerlegt?

Auf Grundlage dieser Prüfung wird der Artikel noch einmal überarbeitet. Erst danach entstehen daraus die Beiträge für Facebook, LinkedIn und Instagram. Auch diese sollten nicht einfach identisch gekürzt werden. Die Plattformen funktionieren unterschiedlich und entsprechend sollten auch Ansprache, Länge und Aufbau angepasst werden.

Damit ist aus der einfachen Anweisung „Schreib mir einen Blogartikel“ ein kleiner digitaler Redaktionsprozess geworden.

Wie kommt die Wiederholung hinein?

Nun fehlt noch der eigentliche Loop. Schließlich soll der Vorgang nicht nur einmal funktionieren, sondern beispielsweise alle zwei Tage.

Dafür können in aktuellen KI-Systemen zeitgesteuerte beziehungsweise wiederkehrende Aufgaben genutzt werden, soweit diese im jeweiligen Konto und Tarif verfügbar sind. Der erste Teil des Prozesses erhält dann einen festen Rhythmus: alle zwei Tage aktuelle Themen recherchieren und drei begründete Vorschläge vorlegen.

Der Mensch muss nun nicht mehr daran denken, die KI anzustoßen. Die Themenvorschläge kommen von selbst.

Die Auswahl des gewünschten Themas ist dann der menschliche Kontrollpunkt. Eine kurze Antwort wie „Nummer zwei“ reicht aus, um den nächsten Teil des vorher definierten Arbeitsablaufs auszulösen.

Genau an dieser Stelle sollte man bei den heutigen Systemen allerdings nicht mehr versprechen, als sie tatsächlich leisten. Eine zeitgesteuerte Recherche lässt sich vergleichsweise einfach automatisieren. Ein Ablauf, bei dem die KI einen Menschen fragt, beliebig lange auf dessen Entscheidung wartet und anschließend automatisch einen komplexen mehrstufigen Prozess fortsetzt, ist je nach KI-System, Tarif und verfügbaren Funktionen noch nicht immer so elegant umsetzbar wie in einer speziell dafür entwickelten Prozesssoftware.

Praktisch ist das meist kein großes Problem. Die KI liefert ihre Themenvorschläge, der Mensch trifft die Entscheidung und gibt damit den zweiten Teil des Prozesses frei. Das kostet vielleicht zehn Sekunden – und ausgerechnet die Entscheidung, worüber das eigene Unternehmen öffentlich sprechen möchte, ist keine besonders schlechte Stelle, um zehn Sekunden menschliches Denken einzubauen.

Woher weiß die KI, wie ein guter Artikel aussehen soll?

Hier trennt sich ein brauchbarer Loop von einer automatisierten Textfabrik.

Die KI benötigt nicht nur Themen und Unternehmensinformationen, sondern Qualitätsmaßstäbe. Dazu gehören beispielsweise typische Artikellänge, gewünschte Tiefe, Umgang mit Quellen, Sprache, Aufbau, Zielgruppe und redaktionelle Eigenheiten.

Dabei sollte man möglichst konkret werden. „Keine Werbesprache“ ist besser als „professionell schreiben“. „Keine Absätze aus nur einem oder zwei Sätzen, wenn der Gedanke zusammengehört“ ist besser als „natürlich schreiben“. „Behauptungen über aktuelle Zahlen, Gesetze oder Studien müssen anhand einer Quelle überprüft werden“ ist besser als „gut recherchieren“.

Je besser sich Qualität in nachvollziehbare Regeln übersetzen lässt, desto besser kann sie innerhalb des Loops geprüft werden.

Was sich dagegen nicht sinnvoll in Regeln pressen lässt, bleibt menschliche Aufgabe. Ein Text kann sämtliche Vorgaben erfüllen und trotzdem langweilig sein. Die endgültige redaktionelle Beurteilung sollte deshalb zumindest bei wichtigen Veröffentlichungen nicht an die Maschine delegiert werden.

Kann die KI anschließend auch gleich veröffentlichen?

Technisch lässt sich der Prozess noch weiter treiben. KI-Systeme können zunehmend mit externen Anwendungen verbunden werden. Damit wird grundsätzlich auch ein Ablauf denkbar, bei dem der fertige Artikel als Entwurf im Content-Management-System landet und die dazugehörigen Beiträge für die sozialen Netzwerke vorbereitet werden.

Ich würde trotzdem nicht damit anfangen.

Die vernünftigere erste Stufe lautet: Die KI liefert ein vollständiges Veröffentlichungspaket, der Mensch prüft es und veröffentlicht selbst. Wenn dieser Prozess über einige Zeit zuverlässig funktioniert, kann man die nächste Stufe ausprobieren. Dann könnte der Artikel beispielsweise bereits automatisch als unveröffentlichter Entwurf im CMS angelegt werden.

Erst danach stellt sich die Frage, ob Beiträge irgendwann tatsächlich ohne vorherige menschliche Freigabe veröffentlicht werden sollen. Nur weil sich etwas automatisieren lässt, muss man die Verantwortung dafür nicht ebenfalls automatisieren.

Wann brauche ich zusätzliche Werkzeuge?

Innerhalb von ChatGPT oder Claude kann man bereits erstaunlich weit kommen, wenn es um Recherche, Schreiben, Prüfen und wiederkehrende Aufgaben geht. Sobald jedoch mehrere externe Systeme zuverlässig miteinander verbunden werden sollen, wird eine zusätzliche Automatisierungsebene interessant.

Das können Dienste wie Make, Zapier oder n8n sein. Sie verbinden beispielsweise eine KI mit einem Content-Management-System, einer Tabellenkalkulation, einem Newsletter-System oder anderen Anwendungen und legen fest, was nach welchem Ereignis passieren soll.

Dann könnte ein weiterentwickelter Loop beispielsweise so aussehen: Die KI recherchiert Themen, nach der menschlichen Auswahl entsteht der Artikel, nach der Freigabe wird er als Entwurf an das CMS übergeben, ein Bild wird vorbereitet, die Beiträge für die sozialen Medien werden angelegt und der gesamte Vorgang wird in einer Übersicht dokumentiert.

Spätestens an diesem Punkt lohnt sich allerdings die Frage, wie viel Automatisierung tatsächlich gebraucht wird. Wer zwei Artikel im Monat veröffentlicht, braucht vermutlich keine digitale Nachrichtenredaktion mit sieben Agenten und zwölf automatisierten Schnittstellen. Wer täglich große Mengen wiederkehrender Inhalte verarbeitet, kann damit dagegen erheblich Zeit sparen.

Loop Engineering ist kein Wettbewerb darum, wer den kompliziertesten Ablauf baut.

Ein vernünftiger Einstieg für KMU

Wer Loop Engineering ausprobieren möchte, sollte deshalb nicht mit der Technik beginnen, sondern mit einem Blatt Papier. Nehmen Sie eine Aufgabe, die in Ihrem Unternehmen regelmäßig vorkommt und heute vielleicht schon teilweise mit ChatGPT oder einer anderen KI erledigt wird.

Schreiben Sie den tatsächlichen Ablauf auf: Was kommt herein? Was muss geprüft werden? Welche Informationen werden benötigt? Was wird erstellt? Wer kontrolliert das Ergebnis? Was passiert, wenn etwas fehlt? Und woran lässt sich erkennen, dass die Aufgabe wirklich erledigt ist?

Danach markieren Sie die Stellen, an denen heute ein Mensch hauptsächlich Routinearbeit verrichtet. Genau dort lohnt sich die Prüfung, ob eine KI diesen Schritt übernehmen kann.

Dann markieren Sie die Entscheidungen, bei denen Erfahrung, Verantwortung, Geschmack, Menschenkenntnis oder unternehmerisches Urteil erforderlich sind. Dort sollte der Mensch zunächst bleiben.

Auf diese Weise entsteht keine spektakuläre KI-Maschine, sondern etwas wesentlich Nützlicheres: ein besserer Arbeitsprozess.

Und vermutlich wird man dabei gelegentlich feststellen, dass manche Probleme, die bisher der KI zugeschrieben wurden, schon vorher im Unternehmen vorhanden waren. Eine unklare Aufgabe bleibt schließlich auch dann unklar, wenn man sie automatisiert.

Nicht alles, was sich automatisieren lässt, sollte automatisiert werden

Hier liegt ohnehin eine der Gefahren des aktuellen KI-Hypes. Wenn ein Unternehmen einen neuen Hammer entdeckt, sieht plötzlich alles wie ein Nagel aus.

Loop Engineering eignet sich besonders gut für Aufgaben, bei denen sich relativ klar feststellen lässt, ob ein Ergebnis richtig, vollständig oder zumindest prüfungsbedürftig ist. Schwieriger wird es bei Fragen wie der strategischen Ausrichtung eines Unternehmens, der Beurteilung einer Führungskraft oder der Frage, welche Positionierung wirklich zum Unternehmen passt.

Bei solchen Aufgaben gibt es kein eindeutiges Prüfschema, das am Ende „richtig“ oder „falsch“ ausgibt. KI kann recherchieren, Alternativen entwickeln, Annahmen hinterfragen und durchaus ein guter Sparringspartner sein. Aber sie kann dem Unternehmer die eigentliche Bewertung nicht seriös abnehmen.

Wer versucht, jede offene unternehmerische Frage in einen automatisierten Prozess zu pressen, baut am Ende womöglich eine sehr effiziente Maschine, die zuverlässig die falschen Dinge tut.

Die größte Gefahr ist nicht unbedingt eine falsche Antwort

Eine andere Gefahr ist subtiler. Stellen Sie sich vor, Sie geben einer KI die Vorgabe, dass ein Artikel 1.500 Wörter lang sein, fünf Zwischenüberschriften enthalten, drei Quellen nennen und ein bestimmtes Schlüsselwort mindestens sechsmal verwenden muss.

Eine KI kann diese Anforderungen perfekt erfüllen. Trotzdem kann der Artikel langweilig, banal oder schlicht wertlos sein.

Das System hat dann die Messgrößen erfüllt, aber das eigentliche Ziel verfehlt. Das Problem ist keineswegs neu. Wenn ein Vertrieb ausschließlich an der Zahl der vereinbarten Termine gemessen wird, entstehen möglicherweise sehr viele schlechte Termine. Wenn ein Callcenter nur auf kurze Gesprächsdauer optimiert wird, werden Gespräche zwar kürzer, aber nicht unbedingt besser.

KI beseitigt solche Managementfehler nicht. Sie automatisiert sie im Zweifel nur sehr konsequent.

Deshalb wird eine andere Fähigkeit wichtiger als Prompt Engineering

Die entscheidende Kompetenz dürfte künftig weniger darin bestehen, besonders raffinierte KI-Befehle zu formulieren. Wichtiger wird die Fähigkeit, Arbeit vernünftig zu strukturieren.

Unternehmen müssen klarer definieren, was eigentlich erreicht werden soll, welche Informationen dafür erforderlich sind, welche Arbeitsschritte notwendig sind und woran man erkennt, ob ein Ergebnis brauchbar ist. Erst danach stellt sich die Frage, welche Teile davon eine KI übernehmen kann, welche automatisch kontrolliert werden können und wo menschliches Urteil notwendig bleibt.

Das sind im Kern keine technischen Fragen. Es sind Fragen guter Organisation. Genau deshalb ist Loop Engineering für kleine und mittlere Unternehmen interessanter, als der etwas sperrige Begriff zunächst vermuten lässt.

Vom Prompt zum Prozess

Die Entwicklung der vergangenen Jahre lässt sich damit recht gut zusammenfassen. Anfangs stand die Frage im Raum, was KI überhaupt kann. Danach beschäftigten wir uns damit, wie wir mit ihr sprechen müssen, damit sie bessere Ergebnisse liefert. Das war die große Zeit des Prompt Engineering.

Jetzt kommt eine dritte Frage hinzu: Wie integrieren wir KI sinnvoll in einen Arbeitsprozess?

Der einzelne Prompt verschwindet dabei nicht. Auch innerhalb eines Loops braucht eine KI gute Anweisungen. Aber der Prompt wird zu einem Baustein innerhalb eines größeren Systems. Entscheidend ist nicht mehr nur, ob die erste Antwort gut klingt, sondern ob der gesamte Weg vom Auftrag bis zum geprüften Ergebnis funktioniert.

Man könnte es auf einen einfachen Unterschied bringen: Prompt Engineering optimiert die einzelne Anweisung. Loop Engineering optimiert den Weg vom Auftrag zum überprüften Ergebnis.

Für Unternehmen ist der zweite Punkt langfristig vermutlich der wichtigere. Denn Unternehmen bestehen nicht aus Prompts. Sie bestehen aus Prozessen, Entscheidungen, Informationen, Verantwortlichkeiten und Menschen.

Wenn KI dort wirklich produktiv werden soll, muss sie genau in diese Strukturen sinnvoll eingebunden werden.

Was habe ich als Unternehmer davon?

Im besten Fall weniger Routinearbeit und weniger ständiges Nachfassen. Nicht deshalb, weil eine KI einen einzelnen Arbeitsschritt ein paar Minuten schneller erledigt, sondern weil ein kompletter Ablauf zumindest teilweise selbstständig weiterläuft.

Wenn Sie ChatGPT bitten, eine Kundenanfrage zusammenzufassen, sparen Sie vielleicht fünf Minuten. Wenn ein definierter Prozess eingehende Kundenanfragen automatisch einordnet, fehlende Informationen erkennt, vorhandene Unterlagen heranzieht, einen Antwortentwurf erstellt, ihn anhand klarer Regeln kontrolliert und Ihnen nur noch den fertigen Vorgang zur Entscheidung vorlegt, verändert sich tatsächlich die Arbeit.

Dort liegt das wirtschaftliche Potenzial. Nicht im spektakulären KI-Trick und auch nicht im hundertzeiligen Super-Prompt, sondern in vielen kleinen, sauber gebauten Abläufen, bei denen Maschine und Mensch jeweils das tun, was sie besser können.

Und vielleicht ist das auch die angenehmste Nachricht an diesem etwas technisch klingenden Thema: Man muss nicht zum KI-Spezialisten werden, um damit anzufangen. Wer seine eigenen Arbeitsabläufe kennt, vernünftige Qualitätsmaßstäbe setzen kann und weiß, an welchen Stellen menschliches Urteil notwendig bleibt, bringt bereits einen erheblichen Teil dessen mit, was gutes Loop Engineering ausmacht.

Quellen und weiterführende Informationen

Zurück


Zurück
empty