Die KI beantwortet auch die falsche Frage souverän

Ich führe meine Agentur seit rund zwanzig Jahren und betreibe sie inzwischen als Experimentier-Labor für KI. Neue Werkzeuge probiere ich früh aus, kein Arbeitstag vergeht ohne sie.

Auf schwere Fragen bekomme ich Antworten, die besser formuliert sind als alles, was ich nach einer Stunde Nachdenken zustande bringe. Ausgerechnet bei den großen Entscheidungen hole ich mir diese Antworten aber zuletzt.

Das liegt nicht daran, dass ich den Antworten misstraue. Es liegt daran, dass ihre Überzeugungskraft nichts darüber verrät, ob sie recht haben. Eine KI-Empfehlung wäre genauso überzeugend, wenn sie zum Gegenteil raten würde: derselbe ruhige Ton, dieselbe saubere Gliederung und dieselben plausiblen Argumente. Prüfen kann ich so eine Antwort nur gegen etwas, das von mir selbst kommt — gegen eine eigene Position.

Deshalb gilt für mich bei komplexen Entscheidungen eine feste Reihenfolge: Zuerst kläre ich, wo ich selbst stehe — was ich erreichen will, was ich sicher weiß und was ich nicht weiß. Erst danach frage ich die KI, und dann darf sie alles davon angreifen.

Ein Angebot kann ich prüfen, eine KI-Antwort oft nicht

Prüfen funktioniert nur gegen einen Vergleichspunkt. Ein Angebot beurteile ich, weil ich weiß, was mir die Leistung wert ist. Bei einer KI-Antwort auf eine Strategiefrage fehlt mir dieser Punkt oft, und dann vergleiche ich die Antwort mit dem Einzigen, was da ist: ihrem eigenen Klang. Der ist immer gut.

In meinen KI-Vorträgen zitiere ich an dieser Stelle Charlie Munger:

Auf KI übersetzt heißt das: Eine Antwort darf ich erst übernehmen, wenn ich sagen kann, was gegen sie spricht. Ohne eigene Position kenne ich nicht einmal die Gegenseite. Die gute Nachricht: Für das Erarbeiten dieser Position ist die KI selbst das beste Werkzeug, das ich kenne — wenn man ihr die richtige Rolle gibt.

So funktioniert Goal Factoring

Das Werkzeug, mit dem ich meine Position erarbeite, heißt Goal Factoring. Auf Deutsch: eine Entscheidung in ihre Ziele zerlegen, so wie man eine Zahl in ihre Faktoren zerlegt. Ein Workshop-Handbuch für strukturiertes Entscheiden beschreibt das Vorgehen in fünf Schritten.

Der Witz der Methode steckt im Trennen. Solange Ziel und Lieblingslösung nicht voneinander getrennt sind, verteidige ich die Lösung, statt das Ziel zu prüfen. Hinter „Wir brauchen einen Chatbot im Support“ stecken meist mehrere Ziele gleichzeitig: kürzere Wartezeiten, entlastete Mitarbeiter, weniger Fehler in Standardfällen und der Wunsch, nach außen modern zu wirken. Erst wenn diese Ziele einzeln auf dem Papier stehen, sehe ich, dass jedes davon auch anders erreichbar wäre, dass manche einander widersprechen und dass für jedes Ziel jemand anderes den Kopf hinhält, wenn es nicht aufgeht. Genau diese Liste ist die Position, die ich der KI entgegenhalten kann.

Im Großen sieht dieselbe Verwechslung so aus: ein Board voller KI-Use-Cases, im Workshop gesammelt, nach Aufwand und Nutzen sortiert. Auf jeder Karte steht ein Mittel und auf keiner ein Ziel. Auch so ein Board wird erst zur Strategie, wenn jede Karte dieselbe Zerlegung durchläuft.

Wie die KI beim Zerlegen hilft

Die Zerlegung selbst muss ich nicht allein am Schreibtisch machen. Die KI ist ein geduldiger Gesprächspartner dafür — unter einer Bedingung: Sie stellt die Fragen, und ich gebe die Antworten. Sobald ich sie die Ziele erfinden lasse, bin ich wieder beim Übernehmen, nur eine Ebene früher. Und sie darf keine Lösungen vorschlagen, bevor die Ziele stehen. Ein klassisches Experiment aus der Designforschung zeigt, warum: Wer vorab eine Beispiellösung sieht, hängt an ihr und übernimmt sogar ihre erkennbaren Fehler. Die erste ausformulierte Lösung besetzt den Raum — deshalb kommt sie zuletzt.

Praktisch sieht das als Abfolge von drei Prompts aus. Der erste holt die Ziele heraus:

Der zweite löst die Lieblingslösung ab und sucht Alternativen je Ziel:

Der dritte ist der Realitätscheck — hier kommt meine Position auf den Tisch, in genau vier Punkten: was ich erreichen will, was ich sicher weiß, was ich nicht weiß und wer das Risiko trägt.

Erst nach diesen drei Runden stelle ich die eigentliche Frage — „Sollen wir den Chatbot einführen?“ — und zwar mit der Zielliste im Prompt. Der Unterschied ist jedes Mal derselbe: Auf die nackte Frage bekomme ich eine Empfehlung, die ich schlucke oder ablehne. Auf die Frage mit Position bekomme ich etwas, das ich prüfen kann. Widerspricht die KI meiner Position, wird es interessant: Genau diesen Widerspruch will ich von ihr. Bestätigt sie mich nur, frage ich weiter nach.

Was eine Zielfrage bei uns gestoppt hat

Dass die Reihenfolge kein Denksport ist, hat mir der Juli gezeigt. Ende Juli haben wir bei Code Q ein Automatisierungs-Vorhaben für NEOSidekick abgebrochen, unseren KI-Assistenten im Neos Redaktionssystem, obwohl es fast fertig gebaut war. Redakteure sollten damit kleine Automatisierungen zusammenstellen können, zum Beispiel: Wenn eine Seite veröffentlicht wird, ergänze automatisch die Meta-Beschreibung. In unserer wöchentlichen Runde haben wir die Annahmen dahinter noch einmal geprüft, und die tragende hielt nicht mehr: Solche kleinen Wenn-dann-Bausteine stammen aus der Zeit von n8n, in der man KI-Modellen nichts Größeres anvertrauen konnte. 2026 entwerfen die Modelle ganze Seiten am Stück, und unsere Konstruktion war überflüssig, bevor sie fertig war. Die Zeit haben wir stattdessen in einen Agenten gesteckt, der heute als Teil von NEOSidekick direkt im Redaktionssystem arbeitet, im Stil von ChatGPT for Work oder Claude Code. Jede KI, die ich kenne, hätte uns beim Fertigbauen tadellos geholfen. Gestoppt hat das Vorhaben eine Frage, die in keinem Prompt stand: „Stimmt unser Ziel noch, und stimmen unsere Annahmen?“

Zwei Arten von Türen

Bleibt die Frage, wann sich diese ganze Zerlegung lohnt. Die beste Antwort, die ich kenne, stammt von Jeff Bezos. In einem Aktionärsbrief unterscheidet er zwei Arten von Entscheidungen. Die einen sind Türen, die in beide Richtungen aufgehen: Gefällt nicht, was auf der anderen Seite liegt, geht man einfach zurück. Solche Entscheidungen soll man schnell treffen, ohne großen Apparat. Die anderen sind Türen, die nur in eine Richtung aufgehen: Wer durchgeht und es bereut, kommt nicht mehr zurück. Die verdienen jede Sorgfalt, die man aufbringen kann.

Vieles an KI-Arbeit ist eine Zwei-Wege-Tür. Eine Feldstudie mit über 5.000 Support-Mitarbeitenden fand im Mittel rund 14 % mehr Produktivität durch einen KI-Assistenten, ohne dass jemand den Gesamtprozess neu gedacht hätte: einführen, messen und notfalls wieder abdrehen.

Solche Versuche probiere ich einfach aus, ganz ohne Zielzerlegung. Goal Factoring hebe ich mir für die Ein-Weg-Türen auf: für Entscheidungen, die teuer, häufig, riskant oder schwer umkehrbar sind.

Bei KI-Entscheidungen kommt allerdings eine Tücke dazu, die Bezos so nicht beschreiben musste: Von außen sehen beide Türen gleich aus. Die souveräne Antwort beschreibt den Raum dahinter in denselben warmen Farben, ob es einen Rückweg gibt oder nicht. Ob eine Tür wirklich in beide Richtungen aufgeht, steht deshalb nicht in der KI-Antwort, sondern in meiner Zerlegung: Welche Daten stecken dann im System, welche Abläufe haben sich umgestellt, und wessen Vertrauen wäre weg, wenn ich zurückwill? Wer das aufgeschrieben hat, erkennt eine Ein-Weg-Tür, bevor er durchgegangen ist.

Eine Grenze bleibt: Goal Factoring ist als Firmenmethode nicht wissenschaftlich validiert. Entwickelt wurde es für persönliche Entscheidungen, und ich verwende es als Denkwerkzeug. Und zur Klärung gehört an jeder Ein-Weg-Tür auch die Frage, wessen Ziel ich gerade aufschreibe und wer die Kosten trägt.

Was ich von der KI eigentlich will

Am Ende ist das kein Prompt-Trick, sondern eine Haltung: Ich will von der KI nicht bestätigt werden, sondern angegriffen. Angreifen kann sie nur, was ich vorher hingeschrieben habe. Wer nichts hinschreibt, bekommt auf jede Frage eine souveräne Antwort — auf die falsche genauso wie auf die richtige.