Zusammenfassung der Kerninhalte
Dieser Artikel, der auf den ersten Blick wie eine praktische Anleitung für die Anleitung von AI bei der Bearbeitung von Chat-Recordings von Privatnutzern erscheint, zeigt tatsächlich mit einem anspruchsvollen Projekt – der Erstellung von durchgehenden Chat-Schnappschüssen, die als Beweismittel dienen können – den gesamten Prozess, wie eine normale Person mithilfe von AI komplexe, nicht standardisierte Aufgaben erledigt: Von der anfänglichen, unklaren Anweisung „Chat-Schnappschüsse organisieren“ über vier Fehlerquellen, die behoben werden mussten, bis schließlich 131 fehlerfreie, qualitativ hochwertige Schnappschüsse erstellt wurden. Damit wird das Mythos widerlegt, dass man mit einem „allmächtigen Prompt“ alles von AI erledigen lassen kann. Der Artikel liefert eine praktische Arbeitslogik, die sowohl für den privaten als auch für den unternehmerischen Einsatz von AI relevant ist.
---
Detaillierte Analyse
90 Prozent der Menschen nutzen AI nicht effektiv – der Grund ist, dass die Akzeptanzkriterien zu unklar formuliert sind
Wenn viele Menschen Probleme bei der Nutzung von AI haben, denken sie oft, dass AI zu dumm ist. Doch bereits die ersten Fehlerquellen des Autors zeigen, dass das Problem in unklaren Anforderungen liegt: Zunächst bat er die AI, zunächst einen Plan zu erstellen, bevor sie mit der Arbeit begann. Der von der AI gelieferte Qualitätsbericht besagte jedoch, dass die Anzahl der nicht transkribierten Sprachaufnahmen „0“ sei – tatsächlich enthielten jedoch viele der Schnappschüsse untranskribierte Sprachabschnitte.
Das liegt nicht daran, dass die AI absichtlich täuscht, sondern daran, dass die Definitionen von „qualitativ hochwertig“ für den Menschen und die AI völlig unterschiedlich sind: Für den Menschen bedeutet „qualitativ hochwertig“, dass alle Sprachaufnahmen in Text umgewandelt wurden, die Abschnitte zusammenhängen und die Schnappschüsse als Beweismittel dienen können; für die AI bedeutet „qualitativ hochwertig“ lediglich, dass keine offensichtlichen leeren Transkriptionsbereiche zu sehen sind.
Dies ist genau das gleiche Problem wie bei der Beauftragung von externen Dienstleistern oder der Zuweisung von Aufgaben an Untergebene: Wenn man sagt „Eine schöne und benutzerfreundliche Seite erstellen“, wird das Ergebnis in der Regel weit von den Erwartungen abweichen. Unklare Anforderungen führen zu ungenauen Ergebnissen – wenn man die Anforderungen nicht klar formuliert, handelt die AI nach ihrer einfachsten Logik.
Die Ausführungskraft der AI ist sehr hoch, aber sie kann keine „Intuition“ entwickeln – man muss die Regeln so aufteilen, dass sie sie ohne nachzudenken befolgen kann
In der zweiten Phase zerlegte der Autor alle unklaren Anforderungen in konkrete, objektive Prüfkriterien: Zum Beispiel muss man nicht nur prüfen, ob es leere Transkriptionsbereiche gibt, sondern drei weitere Kriterien erfüllen: ① Keine leeren bzw. ladeenden Transkriptionsbereiche, ② Tatsächlich erscheint Text unter den Sprachblasen, ③ Es gibt keine Animationen, die den Sprachbereich umkreisen.
AI verfügt zwar über hohe Ausführungskraft, aber sie hat keine „Menschlichkeit“ und kann nicht die Absichten des Menschen verstehen. Wenn man die gewünschten Ergebnisse in präzise Prüfkriterien aufteilt, kann die AI innerhalb einer Sekunde Tausende von Schnappschüssen überprüfen – mit einer höheren Genauigkeit als wenn zehn Praktikanten den gleichen Job manuell erledigen würden. Viele Unternehmen kaufen teure AI-Modelle, nutzen sie aber nicht, weil sie diese Schritte der Regelbildung auslassen und stattdessen erwarten, dass die AI alles von selbst erledigt.
Bei Aufgaben, die auf Echtheit beruhen, darf man der AI keinen Spielraum für „Freie Interpretation“ lassen
Die vierte Fehlerquelle des Autors ist besonders aufschlussreich: Bei der Transkription langer Sprachaufnahmen durch WeChat werden automatisch Bildausschnitte übersprungen; das Quellvideo enthält nicht immer beide Teile des Videos vor und nach dem Überspringen. Die AI wollte zwar einen scheinbar zusammenhängenden „perfekten“ Schnappschuss erstellen, aber der Autor verlangte, dass keine falschen Inhalte hinzugefügt werden dürfen – entweder müssen Lücken markiert oder die Aufnahmen in Abschnitte unterteilt werden. Dies zeigt eine Schwäche großer AI-Modelle: Sie neigen dazu, „Logiken zu ergänzen“, was zu falschen Ergebnissen führen kann. Viele Menschen nutzen AI zur Organisation von Finanzberichten oder zur Aufbereitung von Beweismitteln; dabei wird oft vergessen, dass die AI nur auf Basis realer Daten arbeiten darf. Wenn man nicht klar definiert, dass alle Inhalte zu 100 % aus den Originaldaten stammen müssen, kann die AI falsche Informationen erzeugen, die als Beweise oder Veröffentlichungsunterlagen verwendet werden.
Es gibt keine „allmächtigen Prompts“ – eine effiziente AI-Arbeitsablaufstruktur erfordert schrittweise Iterationen
Der Autor stellte abschließend fest, dass selbst wenn man die AI zunächst einen Plan erstellen lässt, man nicht alle möglichen Probleme im Voraus erkennen kann. Beispiele hierfür sind, dass das Video am Ende automatisch zu früheren Chatinhalten zurückgesprungen ist oder dass bei der Auswahl langer Sprachaufnahmen in WeChat keine Warnung angezeigt wird. Solche Details lassen sich im Büro nicht im Voraus vorhersagen. Die oft verbreiteten Ratschläge wie „Speichern Sie diese 100 „magischen Prompts“ und lassen Sie die AI für Sie arbeiten“ sind in Wirklichkeit unnötig. Ein effizienter AI-Arbeitsablauf basiert auf schrittweisen Iterationen und der Sammlung von Prüfkriterien: Man verwendet zunächst eine kleine Menge an Daten, erfasst alle Fehler und entwickelt daraus feste Prüfkriterien; bei jedem neuen Problem werden diese Kriterien erweitert. Dieser Ansatz ist für die Einführung von AI in allen Branchen grundlegend – es gibt keine „Wunder-Technologien“, die sofort Kosten senken. Alle nützlichen AI-Tools entstehen durch die schrittweise Bearbeitung realer Daten und die Beseitigung von Fehlern.