KI Kontext Qualität: Klarer Kontext für bessere Resultate

KI kann in Schweizer KMU viel Arbeit erleichtern: E-Mails vorstrukturieren, Sitzungen zusammenfassen, Anfragen einordnen oder wiederkehrende Texte vorbereiten. In der Praxis zeigt sich aber schnell ein bekanntes Muster: Manchmal ist das Resultat brauchbar, manchmal ungenau, widersprüchlich oder schlicht am Bedarf vorbei.

Der Grund liegt oft nicht beim Tool selbst. Entscheidend ist, welchen Kontext die KI erhält. Menschen ergänzen Lücken im Alltag stillschweigend. Sie kennen die Kundschaft, wissen, welche Vorlage im Team üblich ist, welche Ausnahme intern akzeptiert wird und wer am Schluss freigibt. KI kennt diese Zusammenhänge nicht automatisch.

Genau hier entsteht der Zusammenhang zwischen KI Kontext Qualität und der tatsächlichen Nutzbarkeit im Betrieb. Wer KI im Prozess einsetzen will, braucht deshalb nicht zuerst mehr Funktionen, sondern klarere Informationen: Was ist das Ziel, auf welcher Datenbasis arbeitet die KI, welche Regeln gelten, welches Ergebnis wird erwartet und wo liegen die Grenzen?

Warum KI im Prozess nicht automatisch versteht, was gemeint ist

Im Alltag funktionieren viele Abläufe mit unausgesprochenem Wissen. Eine Teamleitung sagt: „Bitte eine kurze Antwort an den Kunden vorbereiten.“ Für Mitarbeitende ist oft klar, was gemeint ist: sachlicher Ton, keine verbindliche Zusage ohne Rücksprache, Bezug auf den letzten Kontakt, Nennung der richtigen Frist und Verweis auf die zuständige Person.

Eine KI hat dieses implizite Verständnis nicht in derselben Form. Sie kann Sprache verarbeiten und Muster erkennen, aber sie weiss nicht automatisch, welche internen Regeln, Ausnahmen oder Prioritäten in einem konkreten KMU gelten. Fehlen diese Angaben, füllt sie die Lücken mit Wahrscheinlichkeiten statt mit betrieblicher Realität.

Das zeigt sich besonders bei wiederkehrenden Aufgaben wie:

• Antworten auf Standardanfragen

• Zusammenfassungen von Sitzungsprotokollen

• Vorprüfungen von Tickets

• Formulierung von internen Mitteilungen

• Unterstützung bei Freigaben und Übergaben

Wenn zum Beispiel eine E-Mail-Antwort erstellt werden soll, reicht die Anweisung „freundlich antworten und Lösung anbieten“ selten aus. Was gilt als Lösung? Darf ein Preis genannt werden? Soll zuerst ein Rückruf angeboten werden? Muss eine Reklamation intern eskaliert werden? Ohne diese Informationen entsteht zwar Text, aber nicht zwingend ein brauchbares Resultat.

Darum liefern auch gute Tools mitunter schwache Ergebnisse. Nicht weil sie grundsätzlich unzuverlässig wären, sondern weil die Aufgabe nicht sauber eingegrenzt ist. KI braucht explizite Rahmenbedingungen. Menschen arbeiten mit Erfahrungswissen. KI arbeitet mit dem, was im Moment verfügbar und klar formuliert ist.

Für KMU ist das eine wichtige Erkenntnis: Wer KI im Prozess sinnvoll nutzen will, muss nicht nur die Eingabe verbessern, sondern den zugrunde liegenden Ablauf klären.

Welche Informationen KI für gute Resultate wirklich braucht

Wer einer KI Kontext geben will, braucht keine komplizierte technische Spezifikation. Es geht um einige zentrale Informationen, die in fast jedem wiederkehrenden Prozess relevant sind.

1. Ziel der Aufgabe

Die erste Frage lautet: Was soll am Ende konkret erreicht werden? Ein Textentwurf, eine Priorisierung, eine Zusammenfassung oder eine Entscheidungsvorbereitung sind nicht dasselbe.

Beispiel aus der Administration:

Eine KI soll eine eingehende Anfrage bearbeiten. Das Ziel kann sein:

• nur eine kurze Eingangsbestätigung erstellen

• eine Antwort mit nächstem Schritt vorbereiten

• die Anfrage einer Kategorie zuordnen

• entscheiden, ob ein Fall an den Verkauf oder den Support geht

Je klarer das Ziel, desto besser das Ergebnis.

2. Rollen und Zuständigkeiten

KI muss nicht nur wissen, was zu tun ist, sondern auch aus welcher Rolle sie unterstützen soll. Schreibt sie im Namen des Kundendienstes, einer Projektleitung oder der Buchhaltung? Und wer entscheidet am Schluss?

Ein Beispiel:

Bei einer Lieferverzögerung darf die KI einen Entwurf für die Kundenkommunikation erstellen. Eine verbindliche neue Lieferzusage darf aber nur die zuständige Projektleitung freigeben. Diese Regel muss explizit sein.

3. Datenbasis und Quellen

Viele schlechte Resultate entstehen, weil unklar ist, auf welche Informationen sich die KI stützen darf. Nutzt sie das aktuelle CRM, ein Sitzungsprotokoll, eine Excel-Liste, ein PDF oder nur die Eingabe im Chat?

Ein typischer Fall in Operations:

Eine KI soll offene Aufgaben priorisieren. Wenn nicht klar ist, ob die Priorisierung nach Fälligkeit, Kundenpriorität oder Ressourcenlage erfolgen soll, entsteht nur eine oberflächliche Sortierung. Besser ist eine definierte Datenbasis, etwa:

• offene Pendenzen aus dem Ticketsystem

• aktuelle Fristen aus der Projektliste

• Prioritätsstufe aus dem Kundenstamm

• bekannte Sperrvermerke oder Abhängigkeiten

4. Gewünschtes Format und Umfang

Auch das beste Resultat ist wenig nützlich, wenn es im falschen Format vorliegt. Soll die KI eine Liste, eine kurze E-Mail, ein Protokoll mit Aufgaben oder eine tabellarische Übersicht liefern?

Beispiel:

Für eine Teamsitzung wird nicht eine allgemeine Zusammenfassung benötigt, sondern ein Protokoll mit:

• Beschlüssen

• offenen Punkten

• verantwortlichen Personen

• Fristen

Diese Vorgabe verbessert die Nutzbarkeit sofort.

5. Tonalität und Sprachstil

Im KMU-Alltag muss Kommunikation oft zum Unternehmen passen: sachlich, freundlich, knapp, verbindlich oder bewusst zurückhaltend. Eine KI sollte deshalb nicht nur „nett formulieren“, sondern einen nachvollziehbaren Stilrahmen erhalten.

Etwa:

• professionell und klar

• keine juristischen Formulierungen

• keine definitive Zusage ohne Freigabe

• kurze Sätze, geeignet für Kundschaft in der Deutschschweiz

6. Entscheidungskriterien

Sobald KI nicht nur formuliert, sondern einordnet oder priorisiert, braucht sie klare Regeln. Woran wird entschieden? Nach Dringlichkeit, Umsatzpotenzial, Vertragsart, Risiko oder Bearbeitungsaufwand?

Beispiel aus dem Support:

Tickets werden priorisiert nach:

1. Betriebsunterbruch

2. Fristkritische Kundenanfrage

3. Funktionseinschränkung ohne Stillstand

4. Allgemeine Rückfrage

Ohne solche Kriterien bleibt Priorisierung subjektiv.

7. Grenzen und Ausnahmen

Besonders wichtig sind Vorgaben dazu, was die KI nicht tun soll. Dazu gehören etwa:

• keine rechtlich verbindlichen Aussagen

• keine Preisfreigaben ohne Prüfung

• keine Bearbeitung ohne vollständige Daten

• Eskalation bei Sonderfällen

Gerade in KMU mit vielen pragmatischen Einzelfällen sind diese Grenzen zentral. Denn Ausnahmen sind oft bekannt, aber nicht dokumentiert.

Typische Lücken in Schweizer KMU-Prozessen, die KI-Ergebnisse verschlechtern

Viele Prozesse funktionieren über Jahre hinweg durchaus gut, obwohl nicht alles schriftlich festgehalten ist. Für Menschen ist das oft ausreichend. Für KI wird genau das zum Problem.

Uneinheitliche Vorlagen

Wenn jede Person eine andere Vorlage für Offerten, Antworten oder Protokolle nutzt, fehlt eine stabile Grundlage. Die KI produziert dann Resultate, die zwar sprachlich korrekt sind, aber nicht zum Standard des Unternehmens passen.

Ein Beispiel aus der Administration:

Drei Mitarbeitende beantworten ähnliche Kundenanfragen jeweils in anderem Aufbau. Ohne definierte Vorlage weiss die KI nicht, welcher Stil oder welche Struktur gelten soll.

Fehlende Verantwortlichkeiten

In vielen KMU ist klar, wer „meistens“ etwas erledigt. Für KI reicht „meistens“ aber nicht. Wenn nicht festgelegt ist, wer prüft, entscheidet oder freigibt, bleibt die Aufgabe unvollständig.

Typischer Fall:

Eine KI erstellt einen Entwurf für eine Lieferantenantwort. Unklar ist aber, ob der Einkauf, die Teamleitung oder das Projektmanagement freigibt. Das verzögert den Ablauf und erhöht das Fehlerrisiko.

Nicht dokumentierte Ausnahmen

Viele Prozesse haben Sonderregeln, die intern bekannt sind, aber nirgends sauber beschrieben stehen. Genau diese Ausnahmen führen später zu schlechten KI-Ergebnissen.

Beispiel:

Rechnungen unter einem bestimmten Betrag dürfen direkt freigegeben werden, ausser bei neuen Lieferanten oder fehlender Bestellreferenz. Wenn diese Ausnahme nicht definiert ist, kann die KI keine verlässliche Vorprüfung leisten.

Unklare Freigaberegeln

KI wird häufig dort getestet, wo Texte oder Vorentscheide entstehen. Kritisch wird es, wenn nicht festgelegt ist, wann ein Resultat direkt verwendet werden darf und wann eine menschliche Kontrolle nötig ist.

Ein Entwurf für eine interne Notiz ist etwas anderes als eine Antwort an eine Kundin mit Terminversprechen. Ohne klare Freigaberegeln entsteht Unsicherheit oder falsches Vertrauen.

Verstreute Datenquellen

Ein wiederkehrendes Problem ist die Verteilung von Informationen über verschiedene Orte: SharePoint, E-Mail-Postfach, ERP, Excel-Datei, persönliche Notizen. Die KI kann nur mit konsistenten Quellen sinnvoll arbeiten.

Wenn etwa Projektstatus, Fristen und Zuständigkeiten in mehreren Versionen vorliegen, sind widersprüchliche Resultate fast unvermeidlich.

Unterschiedliche Begriffsverwendung zwischen Teams

In vielen Betrieben meinen verschiedene Abteilungen mit denselben Begriffen nicht genau dasselbe. „Dringend“, „abgeschlossen“, „in Prüfung“ oder „offen“ können je nach Team anders interpretiert werden.

Für Menschen ist das im Gespräch oft korrigierbar. Für KI ist es eine echte Fehlerquelle. Wer Prozessklarheit für KI schaffen will, muss deshalb Begriffe und Statusangaben vereinheitlichen.

So wird aus Prozessklarheit bessere KI-Qualität

KI ersetzt keine unklaren Prozesse. Sie funktioniert auf klaren Prozessen aber deutlich besser. Genau deshalb hängt die Qualität der Resultate so eng mit dem Reifegrad des Ablaufs zusammen.

Wenn ein Prozess sauber definiert ist, lassen sich Eingaben standardisieren:

• welche Informationen immer mitgegeben werden

• welche Entscheidungskriterien gelten

• welches Format erwartet wird

• wann eskaliert oder freigegeben werden muss

Das führt zu stabileren Resultaten. Nicht weil die KI „intelligenter“ wird, sondern weil die Aufgabe besser beschrieben ist.

Ein gutes Beispiel ist die Bearbeitung von Standardanfragen. Wenn vorab festgelegt ist, welche Anfragen direkt beantwortet werden dürfen, welche Angaben zwingend geprüft werden und welche Formulierungen zu vermeiden sind, kann die KI konsistente Entwürfe liefern. Fehlen diese Regeln, schwankt die Qualität stark.

Dasselbe gilt für interne Abläufe. Eine KI kann Sitzungsnotizen nur dann zuverlässig in Aufgaben überführen, wenn klar ist:

• wie Aufgaben formuliert werden

• wie Fristen erfasst werden

• welche Person als verantwortlich gilt

• wie offene Punkte markiert werden

Saubere Abläufe sind auch die Grundlage für Qualitätssicherung. Resultate lassen sich besser prüfen, vergleichen und verbessern, wenn die zugrunde liegende Aufgabe wiederholbar ist. Das ist besonders wichtig, wenn KI nicht als Einzelfall, sondern im Prozess eingesetzt werden soll.

In vielen Fällen lohnt sich deshalb zuerst eine kurze Prozessklärung. Wer Rollen, Regeln und Übergaben schärft, verbessert nicht nur den Ablauf selbst, sondern schafft auch die Basis für verlässlichere KI-Unterstützung. Genau dort setzt oft eine strukturierte Beratung und Analyse an: nicht beim Tool, sondern bei den Prozessvoraussetzungen.

Wichtig bleibt: KI verstärkt bestehende Unklarheiten. Wenn Eingaben, Zuständigkeiten oder Regeln unsauber sind, wird das Problem nicht gelöst, sondern skaliert.

Beispiele für gute Kontextangaben in wiederkehrenden Aufgaben

Kontext muss nicht kompliziert sein. Entscheidend ist, dass die nötigen Informationen vollständig und wiederholbar vorliegen. Die folgenden Beispiele zeigen, wie das in der Praxis aussehen kann.

Antwort auf Standardanfragen

Statt:

„Bitte eine Antwort an den Kunden schreiben.“

Besser:

Die KI erstellt eine Antwort auf eine Standardanfrage zur Lieferfrist. Grundlage sind die aktuellen Angaben aus dem ERP und die letzte Kundenmail. Der Ton ist freundlich, sachlich und knapp. Es dürfen keine verbindlichen Zusagen gemacht werden, wenn der Liefertermin nicht bestätigt ist. Das Ergebnis soll eine E-Mail mit Betreff, kurzem Hauptteil und klarem nächstem Schritt sein. Falls Angaben zur Bestellung fehlen, soll die KI eine Rückfrage formulieren statt eine Vermutung.

Hier sind Ziel, Datenbasis, Ton, Grenzen und Format klar.

Zusammenfassung von Sitzungen

Statt:

„Mach ein Protokoll aus den Notizen.“

Besser:

Die KI fasst die Sitzungsnotizen in vier Bereiche zusammen: Beschlüsse, offene Punkte, Aufgaben und Risiken. Aufgaben müssen jeweils mit verantwortlicher Person und Termin dargestellt werden. Wenn ein Termin fehlt, soll dies ausdrücklich als offen markiert werden. Die Zusammenfassung soll maximal eine A4-Seite umfassen und keine Diskussionen wiedergeben, die zu keinem Entscheid geführt haben.

So entsteht ein Resultat, das direkt im Arbeitsalltag nutzbar ist.

Erstellen von Textentwürfen

Statt:

„Schreibe einen Text für die interne Mitteilung.“

Besser:

Die KI erstellt einen Entwurf für eine interne Mitteilung zur Prozessänderung bei Spesenfreigaben. Zielgruppe sind Mitarbeitende ohne Fachhintergrund. Der Text soll erklären, was sich ab wann ändert, welche Belege erforderlich sind und an wen Rückfragen gehen. Der Stil ist klar, neutral und ohne Fachjargon. Das Ergebnis umfasst einen kurzen Einleitungssatz, drei Stichpunkte zu den Änderungen und einen Abschlusssatz mit Kontaktstelle.

Priorisieren von Aufgaben

Statt:

„Ordne die offenen Fälle nach Wichtigkeit.“

Besser:

Die KI priorisiert offene Fälle anhand von drei Kriterien: Fälligkeit, Auswirkung auf Kundschaft und Abhängigkeit für nachfolgende Arbeitsschritte. Fälle mit externer Frist oder Betriebsunterbruch erhalten höchste Priorität. Das Ergebnis soll eine Liste mit Prioritätsstufe, kurzer Begründung und Hinweis auf fehlende Informationen enthalten. Wenn die Datenlage unvollständig ist, darf keine definitive Priorität vergeben werden.

Prüfung von Eingaben

Statt:

„Prüfe, ob das vollständig ist.“

Besser:

Die KI prüft eingehende Formularangaben für eine interne Erfassung. Vollständig sind Name, Referenznummer, Datum, Kostenstelle und Freigabegrund. Fehlt eines dieser Felder, soll die KI den Fall als unvollständig markieren und die fehlenden Angaben einzeln aufführen. Es darf keine inhaltliche Korrektur vorgenommen werden, nur eine formale Vorprüfung.

Gerade bei solchen wiederkehrenden Aufgaben zeigt sich, wie eng Prompt-Kontext und Prozessqualität zusammenhängen. Nicht die Formulierung allein macht den Unterschied, sondern die Klarheit des Ablaufs dahinter. Wer daraus konkrete Anwendungsfälle ableiten will, findet im Bereich Automatisierung und KI typische Einsatzfelder für strukturierte Prozessunterstützung.

Checkliste: Welche Angaben vor jeder KI-Aufgabe geklärt sein sollten

Für wiederholbare KI-Aufgaben im KMU genügt oft eine kurze Standardprüfung. Die folgende Checkliste hilft dabei, vor dem Einsatz die wichtigsten Punkte zu klären:

• Was ist das genaue Ziel? Soll die KI formulieren, zusammenfassen, prüfen, einordnen oder priorisieren?

• Wer ist die Zielgruppe des Ergebnisses? Internes Team, Kundschaft, Vorgesetzte oder Lieferanten?

• Welche Kontextquelle gilt? E-Mail, ERP, Protokoll, CRM, Vorlage oder definierte Dateiablage?

• Welche Eingabedaten sind zwingend nötig? Welche Angaben müssen vollständig sein, bevor die Aufgabe gestartet wird?

• Welche Rolle nimmt die KI ein? Entwurfshilfe, Vorprüfung, Strukturierung oder Entscheidungsvorbereitung?

• Wer trägt die Verantwortung? Wer prüft, wer entscheidet, wer gibt frei?

• Wie soll das Ergebnis aussehen? E-Mail, Liste, Tabelle, Protokoll, Stichpunkte oder Textentwurf?

• Welche Qualitätskriterien gelten? Vollständigkeit, Kürze, sachlicher Ton, Nachvollziehbarkeit, Priorisierung nach festen Regeln?

• Welche Regeln und Grenzen sind wichtig? Keine verbindliche Zusage, keine Schätzung ohne Daten, keine Bearbeitung bei fehlenden Pflichtangaben?

• Wie wird mit Ausnahmen umgegangen? Eskalation, Rückfrage oder manuelle Bearbeitung?

• Wann ist menschliche Prüfung zwingend? Vor Versand, vor Freigabe, bei Sonderfällen oder bei unsicherer Datenlage?

• Wie wird das Resultat dokumentiert? Im Ticket, im Protokoll, im System oder als Entwurf zur Freigabe?

Diese Checkliste soll nicht bremsen, sondern Klarheit schaffen. In vielen KMU reichen wenige sauber definierte Angaben, um die KI-Qualität spürbar zu verbessern.

Wie KI-Ergebnisse im Alltag überprüfbar und sicherer werden

Guter Kontext reduziert Risiken, aber er beseitigt sie nicht vollständig. Auch mit klaren Vorgaben kann eine KI Angaben falsch gewichten, unvollständige Daten übersehen oder sprachlich plausible, aber sachlich unpassende Resultate erzeugen.

Darum braucht es drei Dinge zusätzlich zur guten Kontextbasis.

Erstens: menschliche Kontrolle dort, wo Wirkung entsteht. Ein interner Entwurf für eine Besprechung kann mit weniger Kontrolle auskommen als eine externe Nachricht mit Termin-, Preis- oder Vertragsbezug.

Zweitens: klare Freigabepunkte. Es muss definiert sein, wann ein KI-Resultat nur als Vorarbeit dient und wann es in den eigentlichen Prozess übernommen werden darf. Das gilt besonders bei Kundenkommunikation, Priorisierung mit Folgewirkung oder bei Dokumenten mit verbindlichem Charakter.

Drittens: dokumentierte Regeln. Wenn nachvollziehbar ist, nach welchen Kriterien die KI arbeitet, lassen sich Resultate besser prüfen und verbessern. Ohne diese Basis bleibt Fehleranalyse schwierig.

Ein praktischer Ansatz ist die Einteilung in drei Einsatzstufen:

• Entwurf: KI erstellt einen ersten Vorschlag, der immer geprüft wird.

• Unterstützung im Prozess: KI strukturiert, klassifiziert oder bereitet Informationen vor, während Entscheidungen bei Menschen bleiben.

• Teilautomatisierte Verarbeitung: KI übernimmt klar abgegrenzte Schritte bei stabilen Regeln und definierter Kontrolle.

Für viele KMU ist die zweite Stufe besonders sinnvoll. Sie bringt Nutzen, ohne die Verantwortung aus dem Prozess zu nehmen.

Warnsignale für fehlenden Kontext sind unter anderem:

• widersprüchliche Resultate bei ähnlichen Aufgaben

• zu allgemeine oder ausweichende Antworten

• fehlende Bezugnahme auf vorhandene Daten

• falsches Format oder unpassender Ton

• scheinbar sichere Aussagen trotz lückenhafter Eingaben

Solche Symptome deuten oft nicht auf ein grundsätzlich untaugliches System hin, sondern auf fehlende Prozess- oder Kontextklarheit.

Kontext im KI-Prozess strukturiert aufbauen

Viele KMU starten mit KI bei einem konkreten Tool. Sinnvoller ist oft der umgekehrte Weg: zuerst klären, welche wiederkehrenden Aufgaben sich eignen, welche Informationen dafür nötig sind und welche Regeln im Ablauf gelten.

Gerade bei Administration, Operations und Teamleitungen lohnt es sich, bestehende Prozesse strukturiert anzuschauen:

• Wo entstehen heute unnötige Rückfragen?

• Welche Aufgaben wiederholen sich häufig?

• Welche Informationen fehlen regelmässig?

• Wo sind Rollen und Freigaben nicht sauber definiert?

• Welche KI-Einsatzfelder sind mit überschaubarem Aufwand realistisch?

Aus dieser Sicht wird klar: Gute KI-Ergebnisse beginnen nicht beim Formulieren einzelner Eingaben, sondern bei Prozessklarheit, Datenbasis und Verantwortlichkeiten.

Ein sinnvoller nächster Schritt kann deshalb eine strukturierte Potenzialanalyse sein. Sie hilft dabei, Abläufe, Rollen, Datenquellen und geeignete Anwendungsfälle systematisch zu prüfen und zu priorisieren. So entsteht eine belastbare Grundlage, um KI dort einzusetzen, wo sie im KMU-Alltag tatsächlich Qualität, Wiederholbarkeit und Umsetzbarkeit verbessert.

Häufig gestellte Fragen

Warum liefert KI in einem KMU manchmal gute und manchmal schlechte Ergebnisse?

Weil die Qualität stark vom bereitgestellten Kontext abhängt. Wenn Ziel, Datenbasis, Regeln und gewünschtes Format klar sind, entstehen meist deutlich bessere Resultate. Fehlen diese Angaben, muss die KI Lücken mit Annahmen füllen. Das führt zu schwankender Qualität, selbst bei ähnlichen Aufgaben.

Welche Angaben braucht KI vor einer Aufgabe unbedingt?

Mindestens geklärt sein sollten Ziel der Aufgabe, verfügbare Datenquelle, gewünschtes Ergebnisformat, Rolle der KI, Qualitätskriterien sowie Regeln für Freigabe und Ausnahmen. Sobald die KI priorisieren, prüfen oder einordnen soll, kommen klare Entscheidungskriterien dazu.

Wie viel Kontext ist für eine gute KI-Aufgabe sinnvoll, ohne sie unnötig kompliziert zu machen?

So viel wie nötig, um die Aufgabe eindeutig zu machen, aber nicht mehr. Für einfache Aufgaben reichen oft Ziel, Datenbasis, Format und Ton. Für komplexere Abläufe braucht es zusätzlich Rollen, Entscheidungsregeln, Grenzen und Ausnahmen. Entscheidend ist nicht die Länge, sondern die Relevanz der Angaben.

Wie lässt sich KI in bestehende Prozesse einbauen, ohne Chaos zu erzeugen?

Am besten schrittweise. Zuerst sollten wiederkehrende Aufgaben mit klaren Abläufen ausgewählt werden. Danach werden Eingaben, Rollen, Freigaben und Qualitätskriterien definiert. KI sollte zunächst als Entwurfs- oder Unterstützungshilfe eingesetzt werden, nicht als unkontrollierter Ersatz für unklare Prozesse.

Woran erkennt man, dass ein KI-Resultat aufgrund fehlendem Kontext unbrauchbar ist?

Typische Hinweise sind allgemeine Aussagen ohne Bezug zum Fall, falscher Ton, fehlende Pflichtinformationen, unklare Priorisierung, Widersprüche zu bekannten Regeln oder zu grosse Sicherheit bei lückenhaften Daten. In solchen Fällen lohnt sich meist nicht nur eine bessere Formulierung, sondern eine genauere Prüfung des zugrunde liegenden Prozesses und Kontexts.