In den letzten Wochen habe ich viele Workshops mit Kunden durchgeführt. Am Ende landen wir immer bei derselben entscheidenden Frage:

»Wie können wir wirklich systematisch und produktiv in der gesamten Organisation mit KI arbeiten?«

Die Beobachtung ist fast überall gleich: Viele Unternehmen haben es mittlerweile geschafft, dass einzelne Individuen deutlich produktiver arbeiten als vor KI. Da gibt es den Marketing-Manager, der Texte schneller schreibt, oder den Entwickler, der schneller codet.

Aber sehr wenige Unternehmen haben es bisher geschafft, das wirklich systematisch in der gesamten Organisation zu skalieren.

Natürlich muss der Tech-Stack das hergeben. Ich brauche ein System, in dem ich kollaborativ arbeiten kann, wo ich Assistenten und Workflows bauen kann und wo die Anbindung an meine Daten einfach ist.

Aber das ist meistens gar nicht das größte Problem.

Das größte Problem ist, dass noch nicht verstanden wird, wie unfassbar wichtig das Thema Daten ist.

Der einzige Weg aus der »generischen Grütze«

Lass uns ehrlich sein: Alle arbeiten mit denselben KI-Modellen. Egal ob GPT-5.1, Claude 4.5 oder Gemini 3, der Zugang zu Weltklasse-Intelligenz ist zur Commodity geworden. Auch Prompting ist keine große Hürde mehr.

Das bedeutet im Umkehrschluss: Wenn wir alle dieselben Modelle mit denselben Standard-Prompts füttern, bekommen wir alle denselben Durchschnitts-Output.

Ich nenne das »generische Grütze«.

Der wichtigste Stellhebel, um sich zu differenzieren und exzellente Ergebnisse zu produzieren, ist nicht das Modell. Es sind die Daten , die ich dem System füttere. Und das ist in den meisten Führungsetagen noch nicht angekommen.

Wenn wir auf unser DECAID Business-KI-Framework schauen, befinden wir uns hier auf der untersten, aber fundamentalsten Ebene: Wissen & Kontext .

Die Vision: Das gläserne Unternehmen

Wenn du systematisch produktiv sein willst, musst du eine Vision verfolgen, die vielen in Deutschland noch Bauchschmerzen bereitet: Das gläserne Unternehmen.

Du musst so viele relevante Daten wie nur irgendwie möglich erfassen (natürlich rechtskonform). Das ist die neue Wissensarbeit. Es geht nicht mehr primär um die Ausführung, sondern um die Bereitstellung von Kontext.

Das sind die Schritte, die du gehen musst:

1. Datenschätze identifizieren: Was wissen wir, was die KI nicht wissen kann?
2. Implizites Wissen erfassen: Wie digitalisiere ich das, was in den Köpfen der Experten ist und nur im Flur diskutiert wird?
3. Systematische Ablage: Wo liegt die »Single Source of Truth«? Wer hat die Ownership, diese Daten aktuell zu halten?
4. Automatisierung: Wie stelle ich sicher, dass mein KI-Assistent sich diese Daten dynamisch zieht (z.B. aus der Cloud), damit ich nicht jeden Tag manuell PDFs hochladen muss?

Ein Blick in meinen Maschinenraum: Wie ich Workshops vorbereite

Damit das nicht abstrakt bleibt, gebe ich euch ein ganz konkretes Beispiel aus meinem Arbeitsalltag. Wenn ich Kundenworkshops vorbereite, führe ich kaum noch Dinge manuell aus.

Mein Prozess beginnt ab der ersten Minute im Sales:

1. Die radikale Erfassung

Jedes Meeting mit dem Kunden wird transkribiert. Jede E-Mail wird festgehalten. Jedes Konzeptdokument wird gespeichert. Ich erstelle daraus ein Unternehmensprofil für mein KI-System: Was macht der Kunde? Was sind die Ziele?

Zusätzlich mache ich vor jedem Workshop eine Umfrage im Team (Bestandsaufnahme): Wie hoch ist die Nutzung? Wo liegen die Chancen, Risiken und Blocker?

2. Der Aufbau des Assistenten

Wenn es dann an die Workshop-Vorbereitung geht, gehe ich in mein KI-System und setze ein Projekt auf. Ich füttere ihn mit zwei Datenströmen:

• Der Kunden-Kontext: Meeting-Transkripte, E-Mails, Konzepte, Unternehmensprofil, Umfrage-Ergebnisse.
• Meine Wissensbasis: Und das ist der entscheidende Teil. Ich habe über Jahre eine riesige Wissensbasis aufgebaut. Alle meine LinkedIn-Posts, alle Newsletter, das DECAID-Profil, meine persönlichen Learnings aus 3,5 Jahren Transformation, Kundentestimonials.

Diese Dokumente liegen alle strukturiert in meinem Google Drive. Ich habe die klare Ownership, sie aktuell zu halten. Mein KI-System zieht sie sich automatisch.

Ein Blick in den Maschinenraum: So füttere ich mein Projekt mit dem spezifischen Kunden-Kontext.

3. Insights statt Arbeit

Dann beginnt die eigentliche »Arbeit«. Ich gehe zum System und sage:

»Hey, morgen ist der Workshop. Gib mir eine Übersicht, was alles zu tun ist. Und dann schau dir bitte meinen ganzen Content an und die Anforderungen vom Kunden. Brainstorme 50 mögliche Themen, die ich im Workshop adressieren sollte.«

Zwei Ausschnitte der Antwort, die Gemini basierend auf dem Prompt und meinen Daten generiert hat.

Das Ergebnis ist keine generische Grütze .

Ich bekomme eine Liste mit extrem relevanten Insights. Warum? Weil sie auf meinem Content und meiner Erfahrung basieren, gematcht mit den spezifischen Problemen des Kunden.

Von dort ist der Weg zur Storyline und den fertigen Folientexten nur noch ein kurzer Sprint.

Die neue Definition von Arbeit

Wenn ich meinen Alltag anschaue, ist die eigentliche Ausführung von Dingen nur noch ein Bruchteil der Zeit. Hochqualitative Ergebnisse entstehen in Minuten.

Meine Hauptaufgabe hat sich verschoben:

• Gedanken machen: Was sind meine Datenschätze?
• Wie erfasse ich sie systematisch?
• Wie lege ich sie ab?
• Wie verbinde ich sie automatisiert mit meinen Assistenten?

Das ist eine fundamental andere Arbeitsweise. Und dieses System lässt sich auf fast alle Wissensarbeiter-Jobs übertragen.

Pro-Tipp: Hebt das implizite Wissen in den Köpfen!

Oft steckt das wertvollste Wissen nicht in Dokumenten, sondern in den Köpfen der Mitarbeiter (Learnings, Fuckups, Kontext zu Projekten). Um das systematisch zu erfassen, habe ich einen simplen Hack für euch:

Führt einmal im Quartal gegenseitige „Wissens-Podcasts“ im Team durch. Interviewt euch gegenseitig zu vergangenen Projekten, Erfolgen und Fehlern. Zeichnet das Gespräch auf, lasst es transkribieren und speist dieses Transkript direkt in eure Wissensbasis ein. So wird implizites Erfahrungswissen sofort für alle (und die KI) nutzbar.

Das Fazit ist hart, aber ehrlich: Wenn du das als Organisation nicht verstanden hast, wenn du Daten eher als Gefahr siehst und alles tust, damit man Daten bloß nicht mit KI verwenden darf, dann wirst du nicht systematisch produktiv arbeiten können.

Und deine Output-Qualität wird Grütze bleiben.