KI-gestützte Wissensarbeit: automatisieren oder augmentieren?

Kernfrage für Unternehmen

Unternehmen sollten nicht pauschal fragen, ob KI einen Beruf ersetzen kann. Nützlicher ist die Prüfung einzelner Tätigkeiten: Liegen Ergebnis und Arbeitsschritte weitgehend fest, kann KI standardisieren oder automatisieren. Entwickeln Menschen dagegen erst im Arbeitsprozess Problemverständnis, Ziel und Lösungsweg, sollte KI vor allem Recherche, Variantenbildung und Reflexion unterstützen (Lindner 2026).

Eine hilfreiche Arbeitsdefinition unterscheidet Informationsarbeit als Arbeit mit bestehendem Wissen von Wissensarbeit als Arbeit an neuem Wissen. Informationsarbeit sammelt, ordnet, verdichtet oder formatiert vorhandene Bausteine. Wissensarbeit entwickelt Hypothesen, Konzepte, Bewertungen oder Entscheidungen, deren genaue Form zu Beginn noch offen ist. In der Praxis enthalten viele Rollen beide Anteile; die Unterscheidung dient daher als Entscheidungshilfe und nicht als starre Berufsklassifikation (Lindner 2026).

Daraus folgen zwei unterschiedliche Nutzenlogiken. Bei stabilen Routinen wirkt KI wie ein Exoskelett: Sie erhöht Geschwindigkeit und Reichweite. Bei offenen Denkaufgaben kann sie als Exo-Cortex Perspektiven, Gegenargumente und Strukturvorschläge liefern. Beide Bilder stammen aus Lindners KIWA-Modell; sie beschreiben Automatisierung und Augmentierung, belegen aber nicht, dass offene Wissensarbeit grundsätzlich unautomatisierbar wäre (Lindner 2026).

Abbildung: Die Entscheidungsgrafik trennt bekannte, eher automatisierbare Arbeitsschritte von offenen Denkaufgaben und verbindet den KIWA-Kreislauf mit den vier AI-Fluency-Kompetenzen. Quelle: eigene Darstellung nach Lindner 2026 und Anthropic o. J..

Typische Stolpersteine

Ein häufiger Fehler besteht darin, schnellen Text mit Erkenntnisfortschritt gleichzusetzen. Ein Sprachmodell kann in kurzer Zeit überzeugende Konzepte, Analysen oder Zusammenfassungen formulieren. Das Unternehmen gewinnt dadurch aber noch kein belastbares Wissen, solange Fachleute Quellen, Annahmen, Zielbezug und Folgen nicht geprüft haben. AI Fluency verbindet deshalb produktive Zusammenarbeit ausdrücklich mit kritischer Bewertung sowie ethischer und sicherer Nutzung (Anthropic o. J.).

Auch eine Automatisierungsentscheidung auf Rollenebene greift zu kurz. Dieselbe Tätigkeit kann standardisierte und offene Bestandteile enthalten: Bei einer Marktanalyse lassen sich zum Beispiel Dokumentensuche, Datenaufbereitung und Formatierung stärker automatisieren, während Fragestellung, Auswahl relevanter Signale und strategische Schlussfolgerungen menschliches Urteil brauchen. Unternehmen sollten deshalb Aufgaben zerlegen und Kontrollpunkte festlegen, statt ganze Berufsgruppen als automatisierbar oder nicht automatisierbar einzustufen (Lindner 2026).

Ein weiterer Stolperstein liegt in der Vermischung von Exploration und Belegarbeit. Für neue Ideen kann ein offener Dialog mit einem allgemeinen Sprachmodell nützlich sein. Für belastbare Aussagen sollten Teams danach in einen quellengebundenen Arbeitsmodus wechseln, relevante Unterlagen gezielt bereitstellen und Ergebnisse gegen die Originalquellen prüfen. Retrieval-Augmented Generation kann diesen Kontextzugriff unterstützen, garantiert aber weder vollständige Quellen noch fehlerfreie Schlussfolgerungen (Lindner 2026).

Schulungen, die nur vorgefertigte Prompts vermitteln, bereiten Mitarbeitende ebenfalls unzureichend vor. Einzelne Eingabemuster verändern sich mit Modellen und Werkzeugen. Übertragbar bleiben dagegen die Fähigkeiten, Arbeit sinnvoll aufzuteilen, Kontext verständlich zu beschreiben, Ergebnisse kritisch zu beurteilen und die Nutzung fachlich wie ethisch zu verantworten (Anthropic o. J.).

Bewährte Vorgehensweisen

Tätigkeiten nach Stabilität und Urteilsbedarf zerlegen

Beginnen Sie mit dem tatsächlichen Arbeitsablauf. Markieren Sie wiederkehrende Schritte mit klaren Eingaben, Ergebnissen und Prüfkriterien. Diese Anteile eignen sich eher für Vorlagen, Assistenten oder kontrollierte Automatisierung. Markieren Sie zusätzlich jene Schritte, in denen Fachleute Ziele klären, Mehrdeutigkeit auflösen, Interessen abwägen oder Verantwortung übernehmen. Dort sollte KI Varianten liefern und Denkprozesse erweitern, während Menschen Richtung und Freigabe behalten (Lindner 2026).

Den KIWA-Kreislauf als Praxisrahmen erproben

Lindner beschreibt KI-gestützte Wissensarbeit als vierphasigen Kreislauf. Das Modell beruht auf eigener Praxis und ist kein allgemein validierter Standard. Als Arbeitsrahmen verbindet es jedoch vier Aufgaben, die Unternehmen häufig getrennt behandeln (Lindner 2026):

1. Kontext öffnen: Ausgangslage, Absicht, Erfahrungen, offene Fragen und relevantes Vorwissen möglichst vollständig einbringen.
2. Möglichkeiten erkunden: Hypothesen, Perspektiven, Gegenargumente und alternative Problemformulierungen im Dialog entwickeln.
3. Quellengebunden verdichten: Relevante Dokumente und Daten gezielt analysieren, Aussagen belegen und Zwischenergebnisse fachlich prüfen.
4. Wissen sichern: Tragfähige Erkenntnisse so dokumentieren, dass Menschen und autorisierte KI-Anwendungen sie später finden, verstehen und weiterverwenden können.

Die Phasen müssen nicht starr nacheinander ablaufen. Neue Belege können die Fragestellung verändern, und die Wissenssicherung kann Lücken für einen weiteren Zyklus sichtbar machen. Wichtig ist die bewusste Trennung zwischen offenem Erkunden, quellengebundener Verdichtung und verantworteter Veröffentlichung (Lindner 2026).

Vier Kompetenzen durchgehend anwenden

Das AI-Fluency-Framework von Dakan und Feller verbindet vier Kompetenzen, die Anthropic gemeinsam mit den Entwicklern in einem offenen Kurs vermittelt: Delegation, Description, Discernment und Diligence. Sie gelten nicht als vier aufeinanderfolgende Projektphasen, sondern wirken in jeder Interaktion zusammen (Anthropic o. J.).

• Delegation: Entscheiden, welche Arbeit Menschen, KI oder beide gemeinsam übernehmen.
• Description: Ziel, Kontext, gewünschte Form und Grenzen verständlich beschreiben.
• Discernment: Beiträge der KI fachlich und situativ beurteilen, statt Plausibilität mit Richtigkeit zu verwechseln.
• Diligence: Daten, Rechte, Risiken, Dokumentation und Verantwortung während des gesamten Arbeitsprozesses sorgfältig behandeln.

Für Unternehmen entsteht daraus eine klare Rollenverteilung: KI kann Material erzeugen, ordnen und Varianten anbieten. Menschen bleiben für Zielsetzung, Urteil, Freigabe und die Folgen der Nutzung verantwortlich. Die organisatorische Vertiefung steht unter KI-Kompetenz und interne Guidelines (Anthropic o. J.).

Kompetenz an realen Aufgaben aufbauen

KI-gestützte Wissensarbeit lässt sich am besten an echten, überschaubaren Arbeitsvorhaben einüben. Geeignet sind etwa eine Entscheidungsunterlage, ein Angebotskonzept, eine Marktanalyse oder die Überarbeitung einer internen Richtlinie. Teams sollten Ausgangsergebnis, Zeitaufwand, Quellenqualität, Korrekturschleifen und notwendige Freigaben dokumentieren. So lernen Mitarbeitende nicht nur ein Tool, sondern entwickeln eine prüfbare Arbeitsweise (Lindner 2026; Anthropic o. J.).

Einstiegspunkte für die Umsetzung

Wählen Sie zunächst einen wiederkehrenden Wissensprozess und beantworten Sie sieben Fragen. Die Prüflogik verbindet die Aufgabenabgrenzung des KIWA-Modells mit Delegation, Description, Discernment und Diligence aus dem AI-Fluency-Framework (Lindner 2026; Anthropic o. J.):

1. Welche Teile haben ein bekanntes Ergebnis und einen weitgehend stabilen Ablauf?
2. Wo verändern neue Informationen noch die Fragestellung oder den Lösungsweg?
3. Welche Schritte darf KI selbstständig vorbereiten oder ausführen?
4. Wo braucht es Fachurteil, Quellenprüfung oder eine formelle Freigabe?
5. Welche internen Dokumente und Daten dürfen verwendet werden?
6. Wie werden tragfähige Erkenntnisse in der Wissensbasis gesichert und aktuell gehalten?
7. Woran erkennen Sie nach einigen Wochen bessere Qualität, kürzere Durchlaufzeit oder fundiertere Entscheidungen?

Starten Sie mit einem begrenzten Vorhaben und einer verantwortlichen Fachperson. Prüfen Sie danach nicht nur die Zeitersparnis, sondern auch Fehler, Nacharbeit, Erkenntnisqualität und Wiederverwendbarkeit (Lindner 2026; Anthropic o. J.). Für die technische Lösungsform hilft Chatbot, Assistent, Automatisierung oder Agent?. Ob die Unterstützung lokal bleiben, mehrere Schritte umbauen oder den Ablauf end-to-end verändern sollte, behandelt KI-Workflows augmentieren oder neu gestalten. Die Übertragung auf eine verbreitete Arbeitsoberfläche zeigt KI in Excel und Tabellenkalkulationen. Die organisatorische Gestaltung vertiefen KI-native Arbeitsorganisation und Menschenzentrierte KI-Projekte.