Vor einigen Wochen saß ich vor 30 Stunden Interviewmaterial. Transkripte, verteilt über Wochen, mit unterschiedlichen Gesprächspartnern, zu unterschiedlichen Aspekten desselben Projekts. Vor zwei Jahren hätte mich allein der Gedanke an diese Analyse für drei Tage in den Tunnelblick geschickt. Wer schon einmal qualitative Forschung gemacht hat, kennt das Gefühl: zu viele Datenpunkte, zu wenig Arbeitsspeicher im Kopf, am Ende eine Synthese, die zu 60 Prozent auf dem letzten gelesenen Interview basiert. Diesmal war es anders. Ich habe das Material in mein System geladen, dem System gesagt, was ich suche, und parallel weitergearbeitet. Nicht weil das System magisch ist. Sondern weil ich in den Monaten davor angefangen hatte, anders mit KI zu arbeiten.
Das ist der Moment, in dem mir klar wurde, dass es zwei Welten gibt. Die eine Welt öffnet ChatGPT, stellt eine Frage, kopiert die Antwort, schließt den Tab. Die andere Welt baut über Wochen und Monate ein System auf, das mit jedem Projekt klüger wird. Beide Welten heißen „KI nutzen”. Aber sie haben ungefähr so viel gemeinsam wie ein Taschenrechner und ein Forschungslabor.
Die zweite Welt nennt sich AI-First. Dieser Essay ist der Versuch, sie zu erklären – ohne Tool-Jargon, ohne Founder-Romantik, in einer Sprache, die für Entscheider, Wissensarbeiter und alle dazwischen funktioniert.
Fig · Vom Tool zum System – die meisten Skizzen entstehen, bevor eine Zeile Prompt geschrieben ist.
Was AI-First nicht ist
Bevor wir den Begriff aufbauen, müssen wir ihn von dem trennen, was er nicht meint. AI-First ist nicht: mehr ChatGPT nutzen. AI-First ist nicht: bessere Prompts schreiben. AI-First ist nicht: jeden Monat ein neues Tool ausprobieren. Das alles sind nützliche Dinge, aber sie beschreiben Tool-Nutzung, nicht eine Arbeitsweise.
Tool-Nutzung bedeutet: Du öffnest eine Anwendung, holst dir einen Nutzen, schließt sie wieder. Beim nächsten Mal fängst du von vorne an. Die Anwendung weiß nichts über dich, nichts über dein Unternehmen, nichts über die letzte Diskussion. Du bist jedes Mal der Übersetzer zwischen deinem Kontext und der Maschine. Das funktioniert für kleine Aufgaben gut – einen Text umformulieren, eine Idee anpingen, eine Mail entwerfen. Es plateauiert schnell, wenn die Aufgaben komplexer werden.
AI-First ist die Gegenfrage zu dieser Logik. Sie lautet, übersetzt aus dem Original der AI-First-Community im Silicon Valley:
Warum kann KI das nicht übernehmen?
Diese Frage stellst du dir vor jeder Aufgabe. Nicht aggressiv, nicht ideologisch, sondern systematisch. Bevor du einen Job ausschreibst, bevor du ein neues Tool kaufst, bevor du einen Prozess aufsetzt – fragst du dich, ob ein gut konfiguriertes KI-System diese Arbeit nicht ebenso gut oder besser erledigen kann. Manchmal ist die Antwort: nein, das braucht einen Menschen. Oft ist die Antwort: ja, mit dem richtigen Setup. Und genau darum geht es: um das richtige Setup.
Der Weg dahin – warum die meisten in der Tool-Falle steckenbleiben
Die meisten Menschen, die ich treffe, sind motiviert. Sie haben begriffen, dass KI keine Mode ist. Sie haben ChatGPT-Pro abonniert, vielleicht Claude getestet, ein paar Newsletter gelesen. Und trotzdem spüren sie, dass sie nicht weiterkommen. Der Grund ist fast immer derselbe: Sie arbeiten weiter im Tool-Modus, während die Aufgabe ein System bräuchte.
Ich war an genau diesem Punkt. Mein Wendepunkt kam, als ich aufhörte, im klassischen Chat-Fenster zu arbeiten, und anfing, in Projektordnern zu denken. Konkret: Ich bin von Claude im Browser zu Claude Cowork gewechselt, später zu Claude Code – aber die Tools sind hier zweitrangig. Entscheidend war der Wechsel der Arbeitsweise. Statt eines Chats, in dem ich jede Sitzung neu anfange, habe ich Ordner angelegt. In diesen Ordnern leben Kontext-Dateien: Wer bin ich? Was machen meine Unternehmen? Wie schreibe ich? Welche Kunden, welche Preise, welche Werte? Wenn ich eine neue Aufgabe starte, hat das System diesen Kontext bereits. Ich muss ihn nicht jedes Mal erneut erklären.
Das ist trivial zu beschreiben und schwer zu unterschätzen. Wer einmal erlebt hat, wie es ist, einer KI nicht mehr zu sagen, in welcher Tonalität sie für welche Marke schreiben soll, weil sie es einfach weiß – der versteht, warum Tool und System verschiedene Sphären sind.
Drei Schritte führen aus der Tool-Falle. Sie klingen einfach und sind in der Umsetzung anspruchsvoll, weil sie eine Veränderung der Gewohnheiten verlangen, nicht eine Veränderung der Software.
Schritt 1: Kontext geben
Stell dir vor, du stellst jemanden neu ein. Am ersten Tag erklärst du nichts. Keine Onboarding-Mappe, keine Vorstellungsrunde, kein „so machen wir das hier”. Du wirfst der Person einfach die erste Aufgabe vor die Füße. Sie wird sie irgendwie lösen, aber das Ergebnis wird generisch sein – ein Durchschnittsergebnis, das jeder andere auch hätte produzieren können. Genau so behandeln die meisten Menschen ihre KI: jeden Tag neuer Mitarbeiter, jeden Tag erste Aufgabe, jeden Tag kein Onboarding.
Der erste Schritt zu AI-First ist deshalb das systematische Onboarding deiner KI. Du legst Dateien an, in denen dein Kontext lebt. Wer du bist. Welche Unternehmen oder Projekte du führst. Wer dein Team ist. Wie du sprichst. Welche Kunden du bedienst. Welche Preise gelten. Welche Markenrichtlinien. Welche Werte. Welche aktuellen Schwerpunkte. Das alles wandert aus deinem Kopf, aus verstreuten Google-Docs und aus E-Mail-Threads in strukturierte Dateien – meistens schlichte Markdown-Dokumente, weil die KI sie am besten lesen kann.
Diese Sammlung ist dein Business Brain – ein zweites Gedächtnis, auf das deine KI bei jeder Anfrage zugreift. Es ist nicht in einer Stunde fertig. Es wächst über Wochen, manchmal Monate. Aber die Wirkung ist sofort spürbar: Schon nach den ersten gut gepflegten Kontext-Dateien produziert das System Ergebnisse, die nicht mehr nach „Internet-Durchschnitt” klingen, sondern nach dir.
Ein konkretes Beispiel aus meinem Alltag: Ich habe für jede meiner Marken ein detailliertes Design-System in einer solchen Datei hinterlegt. Schriften, Farben, Layouts, Bildsprache, Tonalität, typische Strukturen für Konzepte, Geschäftsbriefe, Whitepaper, Präsentationen. Wenn ich heute ein Konzept brauche, gebe ich per Sprachnachricht den Inhalt ein. Mehr nicht. Das System baut den Rest – im richtigen Design, in der richtigen Stimme, mit den richtigen Elementen. Die Frage „Wie gestalte ich das jetzt hübsch?” stellt sich nicht mehr. In manchen Wochen sind das zwei bis drei Stunden Ersparnis, in anderen deutlich mehr. Wer einmal überlegt hat, wie viele Stunden seines Lebens in Canva, PowerPoint oder im Versuch versickert sind, ein Word-Dokument optisch erträglich zu machen, weiß, wovon ich spreche. Die Angst vor „ich muss noch eine Präsentation bauen” ist verschwunden. Nicht weil ich schneller geworden bin, sondern weil ich das Problem einmal gelöst und das System es übernommen habe.
Das ist der Kern von Schritt eins: Du investierst einmal die Zeit, deinen Kontext in Worte zu fassen, und das System gibt dir diese Zeit hundertfach zurück.
Schritt 2: Loops schließen
Der zweite Schritt geht tiefer. Bisher haben wir der KI nur erzählt, wer wir sind. Jetzt bringen wir ihr bei, aus jedem Vorgang zu lernen.
Die meisten Arbeitsprozesse laufen als sogenannte offene Schleifen. Du triffst eine Entscheidung, führst sie aus, hakst sie ab. Was danach passiert, wird selten systematisch erfasst. Du schaltest eine Anzeige, gibst das Budget aus, schaust irgendwann auf das Dashboard, machst beim nächsten Mal etwas anders. Es gibt kein System, das die Erfahrung speichert, auswertet und in die nächste Entscheidung einfließen lässt. Die Erkenntnisse bleiben in deinem Kopf – oder verschwinden ganz.
Eine geschlossene Schleife macht das anders. Sie verbindet Tun, Beobachten, Lernen und Verbessern zu einem Kreislauf, der bei jeder Runde besser wird. Das klassische Bild dafür ist ein Thermostat: Es misst, vergleicht mit dem Zielwert, korrigiert, misst wieder. Es driftet nie weit vom Ziel ab, weil das System das Feedback in sich trägt.
Was bedeutet das für deine KI-Arbeit? Du brauchst zwei zusätzliche Dateien neben deinem Kontext: eine Memory-Datei und eine Learnings-Datei. In die Memory schreibt das System fest, was es über die Zeit über dich, deine Projekte, deine Präferenzen lernt – kleine Beobachtungen, die in der nächsten Sitzung relevant werden. In die Learnings wandert, was schiefgegangen ist und wie es gelöst wurde. Welcher Prompt nicht funktioniert hat. Welche Annahme falsch war. Welche Korrektur ich vorgenommen habe. Beim nächsten Mal liest das System diese Datei mit und vermeidet denselben Fehler.
Das klingt unspektakulär. Es verändert in der Praxis alles. Denn jetzt entsteht etwas, das wir mit einzelnen Chats nie hatten: kumulierte Intelligenz. Dein System wird nicht nur in dem Moment besser, in dem du es benutzt, sondern zwischen den Momenten. Es lernt, ohne dass du jedes Mal das Lehrbuch aufschlagen musst.
Genau das hat mir den Respekt vor den großen Analysejobs genommen. Wenn ein System neben sauberem Kontext und sauberem Input auch ein Gedächtnis und ein Fehlerprotokoll hat, dann verschiebt sich die Frage. Sie lautet nicht mehr „Schaffe ich diese komplexe Aufgabe?”, sondern „Habe ich mein System gut genug gebaut, damit es diese komplexe Aufgabe schafft?”. Das ist eine andere Frage. Eine, die du beantworten kannst.
Schritt 3: Wiederverwendbar machen
Im dritten Schritt geht es darum, aus einmal gelösten Problemen wiederverwendbare Bausteine zu machen. In der AI-First-Sprache heißen diese Bausteine „Skills”. Eine Skill ist ein wiederholbarer Prozess, den das System eigenständig ausführen kann, sobald du ihn einmal sauber definiert hast.
Mein Design-System ist eine solche Skill. Einmal gebaut, immer verfügbar. Eine Recherche-Vorlage, die immer denselben Aufbau prüft, ist eine Skill. Ein wiederkehrender Quality-Check für Texte, der Tonalität, Länge und CTA prüft, ist eine Skill. Die Logik dahinter stammt aus der Software-Entwicklung und nennt sich dort Test Harness – ein Set aus Kriterien, gegen das ein Ergebnis automatisch geprüft wird, bevor es zu dir kommt.
Das ist der Moment, an dem aus Arbeitsbeschleunigung Arbeitsentlastung wird. Du redigierst nicht mehr jeden Entwurf, du machst Stichproben. Du gestaltest nicht mehr jede Präsentation, du gibst Inhalte rein. Du strukturierst nicht mehr jede Analyse, du formulierst die Frage. Das System macht den Rest – und weil du Schritt eins und zwei nicht übersprungen hast, kommt das Ergebnis in deiner Sprache, mit deinem Kontext, aus deinem Gedächtnis.
Ein neuerer Aha-Moment für mich: Wenn ich heute eine Analyse mache und Zwischenentscheidungen treffen muss, lasse ich mir vom System eine kleine HTML-Anwendung bauen, die mir die Optionen visuell aufbereitet. Ich klicke mich durch, mache Notizen, exportiere meine Entscheidungen als Markdown-Datei zurück in den Workflow. Vor sechs Monaten wäre mir gar nicht in den Sinn gekommen, dass ich für eine Zwischenentscheidung schnell eine eigene kleine Oberfläche bauen kann. Heute ist es Reflex. Das ist AI-First in der Praxis: Du hörst auf zu fragen, ob etwas geht, weil du weißt, dass es geht.
Was sich verschiebt, wenn du so arbeitest
Wer diese drei Schritte ernsthaft geht, erlebt Verschiebungen, die über Effizienz hinausgehen.
Die erste Verschiebung betrifft den Umgang mit Komplexität. Aufgaben, die früher außerhalb deiner kognitiven Kapazität lagen, werden bearbeitbar. Nicht weil du klüger geworden bist, sondern weil du Teile deines Denkens an ein System ausgelagert hast, das nicht müde wird, nicht vergisst und keine schlechten Tage hat. Du behältst die Urteile, das System übernimmt die Verarbeitung.
Die zweite Verschiebung betrifft die Art deiner Arbeit. Du verbringst weniger Zeit mit Produktion und mehr Zeit mit Spezifikation. Du formulierst, was du willst. Du definierst, woran du erkennst, ob es gut ist. Du prüfst Stichproben. Du verfeinerst das System. Das ist eine andere Form von Arbeit als das, was die meisten von uns gelernt haben. Sie ist anspruchsvoller im Denken und entspannter in der Ausführung.
Die dritte Verschiebung betrifft die Organisation um dich herum. Wenn ein einzelner gut aufgestellter Wissensarbeiter heute das produziert, wofür früher ein kleines Team nötig war, dann verändert das die Frage, wann du jemanden einstellst und wofür. Es verändert die Rolle von Führung. Es verändert die Frage, was eine Abteilung eigentlich ist. Die meisten Organisationen ignorieren diese Frage noch. Die Cracks im Markt stellen sie sich täglich.
Eine Geschichte aus dem Silicon Valley
Womit wir bei einer Beobachtung sind, die zeigt, wie weit sich diese neue Welt von der klassischen Business-Logik bereits entfernt hat. Bei führenden KI-Startups im Silicon Valley werden Gehaltsverhandlungen heute nicht mehr nur über Geld und Arbeitszeit geführt. Es gibt einen dritten Posten: das monatliche Token-Budget, das ein neuer Mitarbeiter bekommt.
Für die meisten Leser klingt das exotisch. Es lohnt, kurz zu erklären, was da verhandelt wird.
KI-Systeme rechnen ihren Verbrauch in Tokens ab – Texteinheiten, ungefähr drei Viertel eines Wortes. Jede Anfrage, jeder Kontext, jede Antwort verbraucht Tokens. Wer als Wissensarbeiter mit einem klassischen ChatGPT-Abo durch den Tag kommt, verbraucht wenig. Wer als AI-First-Praktiker mehrere agentische Systeme parallel laufen lässt, große Codebasen analysiert, Stundeninterviews durchläuft, automatische Loops betreibt – der verbraucht ein Vielfaches. Bei den Cracks dieser neuen Welt liegen monatliche Verbrauchswerte schnell im vier- oder fünfstelligen Bereich. Das ist nicht Verschwendung. Das ist die Hebelwirkung.
Wer also bei einem AI-First-Unternehmen anheuert und über das Tokenbudget verhandelt, sagt damit zwischen den Zeilen: „Ich werde so arbeiten, dass ich euch ein Vielfaches dessen wert bin, was ihr in mein Budget steckt. Aber dafür brauche ich die Kapazität, das System voll auszunutzen.” Es ist die ehrlichste Form, in der ein Mitarbeiter heute ausdrücken kann, dass er nicht in Stunden, sondern in Output denkt. Und es ist ein Frühindikator dafür, wohin sich die Wertschöpfung verschiebt. Die alte Welt rechnete in Personalkosten pro Jahr. Die neue Welt rechnet in Output pro Person und Token-Effizienz.
Die alte Welt rechnete in Personalkosten pro Jahr. Die neue Welt rechnet in Output pro Person.
Niemand muss morgen anfangen, sein eigenes Tokenbudget zu verhandeln. Aber jeder Entscheider und jeder Wissensarbeiter sollte verstehen, dass an der Spitze dieses Feldes bereits ein anderes Spiel gespielt wird. Wer in fünf Jahren auf dem Markt bestehen will, sollte zumindest die Grundlogik kennen.
Was du jetzt tust
Du musst kein Tokenbudget verhandeln. Du musst kein Claude Code installieren. Du musst nicht über Nacht dein Unternehmen umbauen. AI-First beginnt mit einer einzigen Veränderung, die du in den nächsten 24 Stunden einbauen kannst.
Stell dir bei jeder Aufgabe, die morgen auf deinen Schreibtisch kommt, eine einzige Frage:
„Warum kann KI das nicht übernehmen?”
Nicht ideologisch, nicht aggressiv. Systematisch. Bei jeder Aufgabe. Den ganzen Tag. Du wirst feststellen, dass die Antwort öfter „eigentlich könnte sie schon” lautet, als dir lieb ist. Genau diese Momente sind deine Liste. Was sich dort ansammelt, ist der Startpunkt für dein eigenes System.
Der Rest – Kontext-Dateien, geschlossene Schleifen, wiederverwendbare Skills – ergibt sich aus der Konsequenz dieser Frage. Nicht über Nacht. Aber Schritt für Schritt, Loop für Loop, Skill für Skill.
Und irgendwann sitzt du vor 30 Stunden Interviewmaterial und merkst, dass dich der Berg nicht mehr schreckt.
— Kai
