September 2026: Worüber ich geschrieben habe – und warum

In einem meiner ersten Artikel im September habe ich beschrieben, wie ich mit KI in etwa einer Stunde eine Arbeit erledigt habe, die ich sonst liegen gelassen hätte. Ich hatte die Infrastruktur von PeşinTaksit vereinfacht. Für ein kleines Projekt, dem ich wenig Aufmerksamkeit schenkte, musste ich nun keine vier separaten Container mehr verwalten.

Der Nutzen ließ sich leicht erklären: Die Arbeit war erledigt, und ich hatte weniger Infrastruktur zu pflegen. Unsere Versuche, im Unternehmen Verkaufsgespräche mit KI auszuwerten, brauchten mehr Erklärung. Bevor wir brauchbare Ergebnisse bekommen konnten, mussten wir Dinge ausdrücklich festhalten, von denen wir angenommen hatten, dass das Unternehmen sie bereits wusste.

Wenn ich auf die September-Artikel zurückblicke, sehe ich diese unterschiedlichen Größenordnungen. Bei manchen Aufgaben konnte ich selbst entscheiden, sie anzugehen, und sie auch selbst erledigen. Andere verlangten, dass wir Daten, Zuständigkeiten und das Wissen der Beteiligten zusammenbrachten. Auch meine eigenen Arbeitsgewohnheiten wurden zum Thema.

Die aufgeschobene Arbeit an PeşinTaksit

Die alte Lösung für PeşinTaksit funktionierte. MariaDB, Redis, Fastify und Nuxt erfüllten ihre Aufgaben. Doch die Besucherzahlen und die Zeit, die ich dem Produkt widmete, rechtfertigten den Wartungsaufwand nicht. Ich wollte den Aufbau vereinfachen, dafür aber keine drei bis fünf Tage aufwenden.

In meinem Bericht über den Wechsel von PeşinTaksit zu Cloudflare Workers mit KI habe ich erklärt, was diese Abwägung verändert hat. Ich habe beobachtet, dass ich für die Arbeit etwa eine Stunde brauchte. Drei bis fünf Tage waren meine frühere Schätzung. Ich habe dieselbe Arbeit nicht ohne KI durchgeführt und diese Schätzung somit nicht überprüft. Der Vergleich belegt keinen Geschwindigkeitsrekord. Für mich zählte, dass eine Arbeit erledigt war, die ich sonst weiter aufgeschoben hätte.

Später habe ich den Artikel um die Arbeit an der Benutzeroberfläche ergänzt. Die Infrastruktur war einfacher geworden, und die Vergleichsansicht war überarbeitet. Ich habe aber keine Messung gezeigt, die belegt, dass Nutzer bessere Zahlungsentscheidungen treffen.

In einem weiteren Artikel über aufgeschobene Arbeit habe ich den Gedanken weiterverfolgt. Manche Arbeiten, deren Aufwand uns früher zu hoch erschien, können heute wieder machbar sein. Wer eine alte Aufwandsschätzung aktualisiert, muss weiterhin die Prüfung und die eigentliche Umstellung berücksichtigen. PeşinTaksit war mir nicht wichtiger geworden. Ich konnte innerhalb der Zeit, die ich dafür einsetzen wollte, mehr erledigen.

Ein Gesprächsprotokoll reichte nicht

Verkaufsgespräche auszuwerten schien zunächst einfach. Wir würden der KI die Gespräche geben und sie anhand unserer Kriterien bewerten lassen. Um die Umstände eines Gesprächs zu verstehen, brauchte sie jedoch Informationen, die darin nicht vorkamen.

Die CRM-Einträge waren so verfasst, dass sich ein Mitarbeiter schnell ein Bild von einem Kunden machen konnte. Für eine detaillierte Analyse eigneten sie sich weniger. Auch unsere Anweisungen beschrieben die Ausnahmen nicht ausreichend, die Führungskräfte bei der Beurteilung von Gesprächen berücksichtigten. Wir gingen Daten, Kriterien und Prompts immer wieder durch.

Aus dieser Erfahrung entstand mein Artikel über den Unterschied zwischen einem KI-Werkzeug und der Veränderung eines Unternehmens. Zeit kostete vor allem, das Wissen hinter alltäglichen Urteilen sichtbar zu machen. Dass eine Führungskraft erklärt, warum sie ein Gespräch für erfolgreich hält, lässt sich nicht dadurch erreichen, dass das technische Team schneller Code schreibt.

Auch bei der Conversion-Rate-Optimierung, kurz CRO, hatten wir ein konkretes Anliegen: Statt dass jemand die Sitzungsaufzeichnungen in Clarity einzeln ansieht, sollte KI sie prüfen und erkennen, wo Besucher Schwierigkeiten hatten. Als wir prüften, wie sich das umsetzen ließe, zeigte sich: Zugriff auf Dashboard-Daten zu haben war etwas anderes, als auf die benötigten Aufzeichnungen zugreifen zu können.

Als ich darüber schrieb, welche Arbeit KI in der CRO-Recherche übernehmen könnte, wollte ich die ursprüngliche Belastung im Blick behalten. Ein gut formulierter Bericht hätte nicht genügt. Wir wollten weniger Zeit mit dem Ansehen der Aufzeichnungen verbringen. Eine andere Aufgabe zu automatisieren hätte diese Zeit nicht eingespart.

Wo bleibt das Wissen eines Teams?

Ein Teil des Wissens eines Unternehmens steht in Dateien. Ein anderer steckt in den Überlegungen hinter den Entscheidungen der Menschen. Die Schwierigkeit, auf die wir bei den Verkaufsgesprächen gestoßen waren, entsteht auch, wenn Mitarbeiter ihre Aufgaben wechseln.

In meinem Artikel über den Schutz von Unternehmenswissen habe ich beschrieben, warum es nicht genügt, erfahrene Menschen im Unternehmen zu halten. Wechselt jemand in eine neue Rolle und hat keine Zeit mehr für das bisherige Team, kann dessen Wissen schwerer zugänglich werden, obwohl niemand das Unternehmen verlassen hat.

Weitere Artikel des Monats beschäftigten sich mit der Neugestaltung von Arbeit, der Rolle der Menschen im Prozess und den Möglichkeiten kleinerer Teams. Wenn Code und Entwürfe leichter entstehen, müssen wir sehen, wer am Ende den Aufwand für die Prüfung und die nötigen Entscheidungen trägt. Dazu gehört auch die praktische Arbeit, an der neue Mitarbeiter lernen können, solche Entscheidungen selbst zu treffen.

In meinem Artikel über kleinere Teams habe ich auch mein eigenes Experiment mit Godot beschrieben. Mit KI konnte ich ein einfaches 2D-Spiel bauen. Meine Erfahrung in der Softwareentwicklung half mir dabei. Ich kann weder behaupten, den Spielemarkt zu kennen, noch, ein kommerzielles Spiel entwickelt zu haben. An meinem eigenen Beispiel wurde mir deutlich: Etwas produzieren zu können und damit anzufangen ist noch etwas anderes, als das gesamte Geschäft dahinter zu verstehen.

Ich warte auf Wasser, nicht auf eine Antwort

Einer meiner September-Artikel über Unternehmen begann mit meinen verspäteten Wasserlieferungen. Wasser, das ich normalerweise innerhalb von zwei Stunden erwarte, kommt manchmal erst zwei Tage später und manchmal gar nicht. Ich rufe im Callcenter an. Dort heißt es, man habe den Vorgang an den örtlichen Vertriebspartner weitergegeben. Ich warte weiter.

Ausgehend von dieser Erfahrung habe ich mir ein KI-Projekt vorgestellt: ein System, das sofort auf meine Beschwerden antwortet und den Vertriebspartner automatisch benachrichtigt. Ich behaupte nicht, dass das Unternehmen ein solches System tatsächlich einsetzt. In „Brauchen wir KI?“ habe ich gefragt, ob eine schnellere Antwort mein Lieferproblem unverändert lassen würde.

Die Kennzahlen des Callcenters könnten sich verbessern. Trotzdem müssten wir sehen, was sich im Alltag des Kunden geändert hat. Deshalb unterscheide ich auch zwischen der einfacheren Wartung von PeşinTaksit und dem Nutzen für seine Nutzer. Was demjenigen hilft, der die Arbeit erledigt, hilft nicht automatisch auch demjenigen, der auf das Ergebnis angewiesen ist.

Dasselbe Messproblem tauchte in anderer Form in meinen Artikeln über SEO und Sichtbarkeit in KI-Antworten auf. Wir müssen weiterhin erklären, wie die Erwähnung einer Marke durch ein Modell dazu führt, dass diese Marke einem Kunden hilft. Als ich darüber schrieb, warum es das falsche Ausgangsziel ist, KI zu Empfehlungen unserer Marke zu bewegen, wollte ich Entscheidungen über Inhalte an den Bedürfnissen der Leser ausrichten.

Zur Modellwahl gehört der Einsatzzweck

In den Artikeln zur Modellwahl ging es um die Arbeit, die mit einer wachsenden Auswahl hinzukommt. Ich habe getrennt behandelt, wann ein Modell genügen könnte und was wir übernehmen, wenn wir ein Open-Weight-Modell selbst betreiben. Zusätzliche Modelle können mehr Auswahl- und Prüfaufwand mit sich bringen. Wer eines selbst betreibt, übernimmt einen Teil der Aufgaben des Anbieters.

In meinem Artikel über den EU AI Act habe ich untersucht, warum scheinbar ähnliche Systeme mit unterschiedlichen Verantwortlichkeiten verbunden sein können. Dasselbe Modell eine Frage beantworten zu lassen oder bei einer Entscheidung über einen Menschen einzusetzen, sind unterschiedliche Anwendungen. In diesen Artikeln geht es darum, warum ein Unternehmen klar beschreiben muss, wo und wofür es ein Modell verwendet.

Auch meine Arbeitsgewohnheiten gehören dazu

Mein Artikel über Englisch entstand aus der Beobachtung, dass die Erleichterungen durch KI für mich nicht alle dieselben Folgen haben. Nach einem Jobwechsel musste ich weniger Englisch verwenden. Auch die Arbeit mit KI hatte mir dadurch weniger Gelegenheit geboten, Englisch zu üben, weil ich dafür Türkisch verwendete.

Darüber habe ich in meinem Artikel über Englisch im Arbeitsalltag geschrieben. Statt eine zusätzliche Lernroutine einzurichten, hatte ich angefangen, es bei meiner ohnehin anfallenden Arbeit mit Englisch zu versuchen. Außerdem bat ich meine Assistenten, deutliche Fehler zu korrigieren. Über ein Ergebnis konnte ich darin noch nicht berichten. Ich hielt fest, was ich verändern wollte.

Über die Vorbereitung meiner Artikel schrieb ich aus zwei weiteren Perspektiven. Beim Schreiben mit KI auf mein Archiv zurückzugreifen bedeutete, bei einer interessanten neuen Quelle zunächst auf bereits Geschriebenes zurückzukommen, statt sofort einen weiteren Entwurf zu erzeugen. Manchmal reicht eine Ergänzung zu einem älteren Artikel. Manchmal braucht derselbe Gedanke keinen weiteren Text.

In meinem Experiment mit Open Publishing und monatlichen Berichten habe ich beschrieben, wie ich versuche, die Entscheidungen hinter den Zahlen sichtbar zu machen. Ich erklärte, warum ich einen vermeintlichen Rekordmonat nicht als Wachstum meiner Leserschaft wertete, warum ein Bericht trotz stichhaltiger Analyse schwer lesbar sein konnte und wie ich daraufhin meine Arbeitsregeln änderte. Über diese Erfahrungen schrieb ich im September; einige reichten in frühere Monate zurück.

Außerdem habe ich einen eigenen Artikel über den Hinweis „mit KI-Unterstützung erstellt“ neben meinen Artikeln geschrieben. Dieser Hinweis allein erklärt nicht, wer welchen Beitrag geleistet hat. Einen Text sprachlich zu bearbeiten oder aus den Ansichten und Erfahrungsnotizen eines Menschen einen ersten Entwurf zu erstellen, sind unterschiedliche Arbeitsweisen. Die Erklärung für die Leser muss zu dem passen, was tatsächlich geschehen ist.

Mit diesem Monatsrückblick möchte ich etwas mehr davon zeigen, wie meine Texte entstehen. Ich möchte die Artikel miteinander verbinden, ohne alles noch einmal zu erzählen, was sie bereits behandeln. Nach dem September bleiben auch Fragen offen: Wird das Üben von Englisch zu einer dauerhaften Gewohnheit? Hilft mir der Blick ins Archiv, besser zu entscheiden, worüber ich schreibe? Und bei welchen Veränderungen, die mir die Arbeit erleichtern, werde ich zeigen können, dass sie auch anderen die Arbeit erleichtert haben?