Diese Case Study zeigt, wie ein Team in Köln nach einer KI-Inhouse-Schulung konkrete Prompt-Vorlagen, Anwendungsfälle und interne Leitlinien für den Arbeitsalltag entwickelte.

Die Organisation wollte nach der Schulung nicht bei Inspiration, Toolwissen oder allgemeinen KI-Grundlagen stehen bleiben. Entscheidend war die Frage: Was bleibt nach dem Training konkret nutzbar? Deshalb wurde die KI-Inhouse-Schulung der Bildungsakademie am Rosental als Werkstattprozess angelegt. Die Teilnehmenden entwickelten aus eigenen Arbeitsaufgaben geprüfte Prompt-Vorlagen, priorisierte Anwendungsfälle und interne Leitlinien für sichere, verantwortungsvolle KI-Nutzung. Die Schulung knüpfte an die AI-Literacy-Schulung für Teams, Prompt-Vorlagen und sichere KI-Anwendung im Arbeitsalltag an und wurde über den Themenhub zur strukturierten KI-Einführung in Unternehmen, Organisationen und Institutionen eingeordnet.

 

 

Unser maßgeschneidertes Inhouse-Seminar für Sie!

Wählen Sie bei Ihrer Anfrage auch gern zwischen einem a) Inhouse-Präsenz-Seminar an Ihrem Standort, b) einem Inhouse-Online-Workshop mit Ihrem Team oder c) einem Inhouse-Präsenz-Kurs direkt an der Akademie – das Inhouse-Training gern auch in Kombination mit Teambuilding-Aktionen.

 

 

Der Strukturansatz: Die KI-Werkstatt nach der Schulung

Die Köln-Case-Study wurde als KI-Werkstatt aufgebaut, weil der wichtigste Nutzen erst nach dem Seminar sichtbar wurde: aus Wissen wurden nutzbare Vorlagen, Anwendungsfälle und Leitlinien.

Viele KI-Schulungen erzeugen Interesse, aber keine dauerhafte Veränderung im Arbeitsalltag. Das Kölner Team wollte genau das vermeiden. Deshalb wurde die Schulung so konzipiert, dass am Ende keine lose Ideensammlung entsteht, sondern ein internes Arbeitsset: geprüfte Prompt-Vorlagen, priorisierte Anwendungsfälle, klare Datenregeln und eine kurze Leitlinie für die tägliche Nutzung. Für typische Rückfragen zu Formaten, Zielgruppen, Ergebnissen und Transfer wurde auf die FAQ-Antworten zu KI-Inhouse-Schulungen, Prompting, Transfer und sicherer Anwendung verwiesen.

• Werkstattmodul 1: Arbeitsaufgaben sammeln und geeignete KI-Anwendungsfälle auswählen.
• Werkstattmodul 2: Prompt-Vorlagen entwickeln, testen und verbessern.
• Werkstattmodul 3: KI-Ergebnisse prüfen und Qualitätskriterien festlegen.
• Werkstattmodul 4: interne Daten- und Nicht-Nutzungsregeln formulieren.
• Werkstattmodul 5: Leitlinien, Vorlagen und Transfermaterialien für das Team sichern.

 

Projektprofil: KI-Inhouse-Schulung mit Prompt-Werkstatt in Köln

Das Projekt wurde als Inhouse-Schulung für ein Team konzipiert, das nach dem Training konkrete Arbeitsmittel statt nur allgemeines KI-Wissen nutzen wollte.

Die folgende Tabelle zeigt die wichtigsten Eckdaten. Entscheidend war, dass die Schulung nicht mit einer Tool-Demonstration endete, sondern in ein internes KI-Arbeitsset überführt wurde.

 

Organisation	Organisation in Köln
Bereich	Kommunikation, Verwaltung, Projektkoordination, Service, Wissensarbeit, Teamleitung
Standort	Köln, Nordrhein-Westfalen, DACH-Region
Zielgruppe	Mitarbeitende aus Kommunikation, Verwaltung, Projektarbeit, Service und Teamkoordination
Teilnehmende	20 Mitarbeitende aus vier Arbeitsbereichen
Format	Inhouse-Präsenzschulung mit Prompt-Werkstatt, Anwendungsfall-Matrix und Online-Follow-up
Dauer	2 Seminartage à 6 Stunden, 1 Online-Follow-up à 90 Minuten, Transfercheck nach 5 Wochen
Ausgangsproblem	Viele KI-Ideen, aber keine gemeinsamen Vorlagen, keine priorisierten Anwendungsfälle und keine internen Nutzungsregeln
Maßnahmen	AI Literacy, Aufgabenanalyse, Prompt-Werkstatt, Qualitätsprüfung, Datenampel, Leitlinienentwicklung, Transfermaterialien
Ergebnis	21 Aufgaben gesammelt, 9 Anwendungsfälle priorisiert, 14 Prompt-Vorlagen entwickelt, 7 Leitlinienregeln formuliert, 17 von 20 Teilnehmenden nutzten nach fünf Wochen mindestens eine Vorlage regelmäßig

 

Ausgangslage: Viele Ideen, aber noch kein gemeinsamer KI-Arbeitsstandard

Das Team hatte nach ersten KI-Erfahrungen zahlreiche Ideen, aber noch keine gemeinsame Struktur für Prompts, Anwendungsfälle und sichere Nutzung.

Einige Mitarbeitende hatten bereits Chatbots ausprobiert, andere waren vorsichtig oder unsicher. Einzelne gute Prompts lagen in persönlichen Notizen, wiederkehrende Aufgaben wurden unterschiedlich angegangen und bei sensiblen Daten gab es keine einheitliche Grenze. Die Organisation wollte vermeiden, dass KI-Wissen bei Einzelpersonen bleibt. Deshalb wurde die Schulung als gemeinsamer Werkstattprozess aufgebaut. Die methodische Grundlage bildete die Inhouse-Schulung AI Literacy für Prompting, Arbeitsroutinen und verantwortungsvolle KI-Nutzung.

 

Werkstattphase 1: Arbeitsaufgaben sammeln und Anwendungsfälle priorisieren

In der ersten Werkstattphase wurden reale Arbeitsaufgaben gesammelt und danach bewertet, ob sie sich für KI-Unterstützung eignen.

Das Team sammelte Aufgaben aus vier Bereichen: Kommunikation, Verwaltung, Projektkoordination und Service. Dazu gehörten E-Mail-Entwürfe, Zusammenfassungen, Protokollstrukturen, FAQ-Antworten, Recherchevorbereitung, Textvarianten, interne Hinweise, Projektübersichten und Antwortbausteine. Jede Aufgabe wurde anhand von vier Kriterien bewertet: Wiederholung, Nutzenpotenzial, Datenrisiko und Prüfbarkeit. So entstand eine Anwendungsfall-Matrix, die dem Team half, nicht jede KI-Idee sofort umzusetzen, sondern geeignete Aufgaben zuerst zu bearbeiten. Für weitere Qualifizierungsoptionen wurde auf praxisnahe KI-Seminare für Teams, Organisationen und sichere Anwendung im Berufsalltag verwiesen.

• Arbeitsfrage: Welche Aufgaben kommen häufig vor und können mit neutralen Daten trainiert werden?
• Ergebnis: 21 Aufgaben wurden gesammelt, 9 Anwendungsfälle priorisiert.
• Messwert: 8 Aufgaben wurden als sofort geeignet, 7 als prüfpflichtig und 6 als ungeeignet für offene KI-Übungen eingeordnet.
• Transfer: Die priorisierten Anwendungsfälle wurden im Team als „Startliste KI-Routinen“ dokumentiert.

 

Werkstattphase 2: Prompt-Vorlagen statt Einzelprompts entwickeln

In der zweiten Werkstattphase wurden aus individuellen Eingaben wiederverwendbare Prompt-Vorlagen mit Zweck, Kontext, Grenze und Prüffrage entwickelt.

Ein zentrales Ergebnis der Schulung war der Wechsel von spontanen Einzelprompts zu teamfähigen Prompt-Vorlagen. Die Teilnehmenden lernten, dass ein guter Prompt nicht nur eine Frage ist, sondern eine Arbeitsanweisung mit Ziel, Rolle, Kontext, gewünschtem Ergebnis, Tonalität, Einschränkungen und Prüfhinweis. Jede Vorlage wurde so gebaut, dass sie auch von anderen Teammitgliedern genutzt werden kann. Diese Standardisierung war besonders wichtig, weil sie Qualität, Wiederholbarkeit und Sicherheit verbesserte.

• Arbeitsfrage: Wie wird aus einem spontanen Prompt eine Vorlage, die das ganze Team versteht?
• Ergebnis: 14 Prompt-Vorlagen wurden entwickelt und in 4 Kategorien gegliedert.
• Messwert: 10 Vorlagen wurden nach der Schulung als direkt nutzbar markiert, 4 als weiter zu prüfen.
• Transfer: Die Vorlagen erhielten feste Felder: Ziel, Kontext, Eingabegrenze, Ausgabeformat, Prüffrage.

 

Die vier Prompt-Kategorien aus der Kölner Werkstatt

Die Prompt-Vorlagen wurden in vier Kategorien gegliedert, damit Mitarbeitende im Arbeitsalltag schneller die passende Vorlage finden.

Die Kategorien orientierten sich nicht an Tools, sondern an Aufgaben. Dadurch blieb das Arbeitsset auch dann nutzbar, wenn sich einzelne KI-Anwendungen ändern. Im Mittelpunkt standen wiederkehrende Tätigkeiten, die im Team regelmäßig vorkommen und gut geprüft werden können.

• Kategorie 1: Strukturieren – Besprechungsnotizen, Projektinformationen, Stichpunkte und Aufgabenlisten ordnen.
• Kategorie 2: Formulieren – E-Mails, interne Hinweise, FAQ-Antworten und kurze Textbausteine verständlicher schreiben.
• Kategorie 3: Prüfen – Texte auf Klarheit, Tonalität, Vollständigkeit, Verständlichkeit und mögliche Risiken prüfen.
• Kategorie 4: Varianten bilden – unterschiedliche Zielgruppen, Tonalitäten oder Kürzungsstufen vorbereiten.

 

Werkstattphase 3: Anwendungsfälle mit Datenampel absichern

In der dritten Werkstattphase wurden die priorisierten Anwendungsfälle mit einer Datenampel verbunden.

Die Datenampel verhinderte, dass KI-Anwendungsfälle nur nach Nutzen bewertet wurden. Jede Aufgabe wurde zusätzlich danach eingeordnet, welche Daten dafür notwendig sind und welche Informationen ausgeschlossen bleiben. Dadurch konnte das Team sicherer entscheiden, ob ein Anwendungsfall mit fiktiven, anonymisierten oder neutralen Beispielen bearbeitet werden kann. Diese Schutzlogik wurde über den Themenhub zur verantwortungsvollen KI-Einführung in Unternehmen, Organisationen und Institutionen strategisch eingeordnet.

• Grün: fiktive Beispiele, neutrale Textbausteine, allgemeine Strukturierungsaufgaben, anonymisierte Übungsfälle.
• Gelb: interne Inhalte ohne Personenbezug, allgemeine Prozessinformationen, Textentwürfe mit fachlicher Prüfung.
• Rot: personenbezogene Daten, Kundendaten, Bewerberdaten, Gesundheitsdaten, Vertragsdetails, Preise, interne Strategien und vertrauliche Einzelfälle.

 

Werkstattphase 4: Qualitätsprüfung für KI-Ergebnisse festlegen

In der vierten Werkstattphase entwickelte das Team eine Prüfroutine, damit KI-Ergebnisse nicht ungeprüft übernommen werden.

Die Teilnehmenden erkannten schnell, dass KI-Ergebnisse oft flüssig klingen, aber nicht automatisch richtig, vollständig oder passend sind. Deshalb wurde eine einfache Qualitätsprüfung eingeführt: Stimmt der Inhalt? Fehlen wichtige Informationen? Passt der Ton zur Zielgruppe? Sind sensible Daten ausgeschlossen? Ist das Ergebnis belegbar oder nur plausibel formuliert? Für vertiefende Impulse zu Kommunikation, Lerntransfer und KI-Kompetenz wurde auf Fachbeiträge zu KI-Kompetenz, Kommunikation und Lerntransfer im Akademie-Magazin verwiesen.

• Arbeitsfrage: Wann ist ein KI-Ergebnis gut genug, um weiterverwendet zu werden?
• Ergebnis: Eine Prüfroutine mit 6 Qualitätsfragen wurde entwickelt.
• Messwert: Bei 8 geprüften KI-Entwürfen wurden 26 Verbesserungen identifiziert.
• Transfer: Die Prüfroutine wurde als Pflichtfeld an jede Prompt-Vorlage angehängt.

 

Werkstattphase 5: Interne Leitlinien in kurze Arbeitsregeln übersetzen

In der fünften Werkstattphase wurden aus Datenschutzgrenzen, Qualitätsprüfung und Anwendungserfahrung sieben interne Leitlinienregeln formuliert.

Die Organisation wollte keine lange KI-Richtlinie, die niemand im Alltag nutzt. Deshalb entwickelte das Team kurze Arbeitsregeln, die in Meetings, Teamablagen und Onboarding-Gesprächen leicht wiederholt werden können. Die Leitlinien sollten Orientierung geben, ohne KI-Nutzung unnötig zu blockieren.

• Regel 1: KI wird für Entwürfe, Strukturierung, Varianten und Prüfung genutzt – nicht für ungeprüfte Entscheidungen.
• Regel 2: Personenbezogene, vertrauliche oder sensible Daten bleiben aus offenen KI-Systemen heraus.
• Regel 3: Prompts werden möglichst mit neutralen, anonymisierten oder fiktiven Beispielen formuliert.
• Regel 4: KI-Ergebnisse werden fachlich, sprachlich und datenschutzbezogen geprüft.
• Regel 5: Wiederkehrende Aufgaben nutzen geprüfte Prompt-Vorlagen statt improvisierter Einzelprompts.
• Regel 6: Unsichere Anwendungsfälle werden vor der Nutzung im Team oder mit Verantwortlichen geklärt.
• Regel 7: Prompt-Vorlagen und Leitlinien werden nach Tooländerungen, neuen Aufgaben oder Praxiserfahrungen aktualisiert.

 

Die neun priorisierten KI-Anwendungsfälle im Team

Aus der Werkstatt entstanden neun konkrete Anwendungsfälle, die nach der Schulung als Startpunkt für die interne KI-Nutzung dienten.

Die Anwendungsfälle wurden so gewählt, dass sie häufig vorkommen, keine sensiblen Daten benötigen und mit klarer Prüfung weiterverwendet werden können. Damit entstand ein realistischer Startkatalog statt einer überladenen Wunschliste.

• Anwendungsfall 1: E-Mail-Entwürfe aus neutralen Stichpunkten vorbereiten.
• Anwendungsfall 2: Besprechungsnotizen in Aufgaben, Entscheidungen und offene Fragen gliedern.
• Anwendungsfall 3: interne Informationsmails verständlicher formulieren.
• Anwendungsfall 4: FAQ-Antworten aus wiederkehrenden Rückfragen entwerfen.
• Anwendungsfall 5: Projektübersichten aus neutralisierten Stichpunkten strukturieren.
• Anwendungsfall 6: Recherchefragen präziser eingrenzen und Quellenprüfung vorbereiten.
• Anwendungsfall 7: Textvarianten für unterschiedliche Zielgruppen bilden.
• Anwendungsfall 8: bestehende Texte auf Klarheit, Tonalität und Verständlichkeit prüfen.
• Anwendungsfall 9: Aufgabenlisten aus Gesprächs- oder Projektstichpunkten erstellen.

 

Trainerprofil: Prompting, Leitlinien und Transfer in einem Werkstattformat verbinden

Durchführende Person im Projekt

Die Schulung wurde von einer Haupttrainerin für AI Literacy, Prompting, Organisationskommunikation und sichere KI-Transferprozesse durchgeführt.

Die Trainerin verfügt über langjährige Erfahrung in Inhouse-Trainings für Kommunikation, digitale Arbeitsroutinen und organisationsbezogene Lernprozesse. Ihr Schwerpunkt liegt darauf, KI-Grundlagen in konkrete Arbeitsmittel zu übersetzen, die Teams nach der Schulung weiterverwenden können. Im Kölner Projekt verband sie Prompting, Datenampel, Qualitätsprüfung und Leitlinienentwicklung zu einem praxisnahen Werkstattformat. Fachliche Schwerpunkte waren AI Literacy, Prompt-Vorlagen, sichere Anwendungsfallauswahl, interne Leitlinien und Transfer in wiederkehrende Teamroutinen.

 

Direkte Messwerte aus Schulung und Transferphase

Die Wirkung zeigte sich nicht nur in höherer Anwendungssicherheit, sondern vor allem in konkret nutzbaren Arbeitsmitteln nach der Schulung.

Im Training wurden 21 Arbeitsaufgaben gesammelt, 9 Anwendungsfälle priorisiert und 14 Prompt-Vorlagen entwickelt. Vor der Schulung fühlten sich 6 von 20 Teilnehmenden sicher genug, KI-Prompts für berufliche Aufgaben zu formulieren. Nach dem Follow-up waren es 17 von 20. Bei 8 geprüften KI-Entwürfen wurden 26 Verbesserungen identifiziert. Nach fünf Wochen nutzten 17 von 20 Teilnehmenden mindestens eine Prompt-Vorlage regelmäßig. Besonders häufig genutzt wurden Vorlagen für E-Mail-Entwürfe, Besprechungsnotizen, Textprüfung und FAQ-Antworten.

• 20 Teilnehmende aus Kommunikation, Verwaltung, Projektarbeit, Service und Teamkoordination
• 21 Arbeitsaufgaben gesammelt
• 9 KI-Anwendungsfälle priorisiert
• 14 Prompt-Vorlagen entwickelt
• 4 Prompt-Kategorien festgelegt
• 7 interne Leitlinienregeln formuliert
• 6 Qualitätsfragen in die Prüfroutine aufgenommen
• 26 Verbesserungen bei 8 geprüften KI-Entwürfen identifiziert
• 17 von 20 Teilnehmenden mit höherer Prompt-Sicherheit nach dem Follow-up
• 17 von 20 Teilnehmenden nutzten nach fünf Wochen mindestens eine Vorlage regelmäßig
• 18 von 20 Teilnehmenden bewerteten das interne Arbeitsset als hilfreich

 

Kundenzitat

Die Teamleitung hob hervor, dass nach der Schulung erstmals ein gemeinsamer KI-Arbeitsstandard sichtbar wurde.

„Vorher hatte jede Person eigene Ideen und einzelne Prompts. Nach der Schulung hatten wir gemeinsame Vorlagen, klare Anwendungsfälle und kurze Leitlinien, auf die sich alle beziehen konnten. Das war für uns der entscheidende Unterschied: KI wurde nicht nur erklärt, sondern in konkrete Arbeitsmittel übersetzt.“

Teamleitung, Organisation in Köln

 

Fachliche Einordnung: Prompt-Vorlagen und Leitlinien machen AI Literacy erst alltagstauglich

AI Literacy wird für Teams besonders wirksam, wenn sie in wiederverwendbare Prompt-Vorlagen, geprüfte Anwendungsfälle und interne Leitlinien übersetzt wird.

Die Europäische Kommission beschreibt AI Literacy im Kontext des EU AI Act als ausreichendes Wissen, Fähigkeiten und Verständnis für Personen, die mit KI-Systemen umgehen oder deren Nutzung verantworten. Die Datenschutzkonferenz stellt datenschutzrechtliche Kriterien bereit, die bei der Nutzung von KI-Anwendungen und personenbezogenen Daten berücksichtigt werden müssen. Das BSI beschreibt generative KI-Modelle als Technologie mit Chancen und Risiken für Industrie und Behörden. Für das Kölner Projekt bedeutete das: Eine KI-Schulung sollte nicht nur Kompetenz vermitteln, sondern auch konkrete Arbeitsstandards erzeugen – mit Prompt-Vorlagen, Datenregeln, Prüfroutinen und Verantwortungslogik.

Externe Fachquellen zur Vertiefung: AI-Literacy-Erläuterungen der Europäischen Kommission zum EU AI Act, Orientierungshilfe der Datenschutzkonferenz zu künstlicher Intelligenz und Datenschutz und BSI-Publikation zu Chancen und Risiken generativer KI-Modelle für Industrie und Behörden.

 

Was diesen Köln-Case von anderen KI-Case-Studies unterscheidet

Der Köln-Case unterscheidet sich durch den Fokus auf konkrete Arbeitsergebnisse nach der KI-Inhouse-Schulung: Prompt-Vorlagen, Anwendungsfälle und interne Leitlinien.

Andere Case Studies behandeln Anfrageprozesse, Abteilungspriorisierung, technischen Vertrieb, Pflege, Verwaltung, Tool-Auswahl oder allgemeine KI-Einstiege. Dieser Projektbericht beantwortet eine andere Suchintention: Was entsteht nach einer guten KI-Inhouse-Schulung konkret im Team? Die Antwort liegt in wiederverwendbaren Prompt-Vorlagen, einem priorisierten Anwendungsfallkatalog und kurzen Leitlinien, die KI-Nutzung sicher, wiederholbar und teamfähig machen.

 

Weitere passende Case Studies

Für Teams, die nach einer KI-Schulung konkrete Arbeitsmittel entwickeln möchten, ist der Vergleich mit weiteren Praxisberichten sinnvoll.

Die Kölner Case Study zeigt, wie aus einer Inhouse-Schulung ein internes KI-Arbeitsset entsteht. Ergänzend sind Praxisberichte zu Inhouse-Schulungen, Transferprojekten und organisationalem Lernen hilfreich, um andere Ausgangslagen zu vergleichen. Besonders passend sind Projektmanagement-Schulungen für Umsetzung, Transfersteuerung und interne Arbeitsstandards, Kommunikationstrainings für verständliche Texte, Teamdialog und interne Abstimmung sowie Führungskräfteseminare für Verantwortungslogik, Teamführung und Veränderungsbegleitung. Denn Prompt-Vorlagen und Leitlinien wirken nur dann nachhaltig, wenn sie in Prozesse, Kommunikation und Führung eingebettet werden.

 

Warum dieser Projektbericht exemplarisch für die Arbeit der Bildungsakademie ist

Dieser Projektbericht zeigt exemplarisch, wie die Bildungsakademie am Rosental KI-Schulungen in konkrete, nutzbare und teamfähige Arbeitsmittel übersetzt.

Die Organisation in Köln erhielt kein allgemeines KI-Seminar, sondern eine Werkstatt für Prompt-Vorlagen, Anwendungsfälle und interne Leitlinien. Die AI-Literacy-Schulung für Teams, Prompting und verantwortungsvolle KI-Nutzung bildete die methodische Grundlage; der Themenhub zur strukturierten KI-Einführung in Organisationen und Unternehmen lieferte den größeren Orientierungsrahmen; die FAQ-Antworten zu KI-Inhouse-Schulungen, Prompting, Zielgruppen und Transferergebnissen unterstützten wiederkehrende Rückfragen; und Magazinbeiträge zu KI-Kompetenz, Kommunikation und Lerntransfer boten weiterführende Impulse für die interne Weiterarbeit.

 

English Summary

This case study shows how a team in Cologne developed concrete prompt templates, use cases and internal guidelines after an AI inhouse training.

The training was designed as a post-training workshop rather than a generic AI introduction. Twenty participants collected twenty-one work tasks, prioritised nine AI use cases and developed fourteen reusable prompt templates. The team also created seven internal guideline rules, a data traffic-light system and a quality checklist for AI outputs. The case demonstrates how AI literacy becomes practical when it is translated into reusable work materials, clear data boundaries, review routines and shared internal standards.

 

FAQ zur Case Study: Prompt-Vorlagen, Anwendungsfälle und interne KI-Leitlinien

Was sollte nach einer KI-Inhouse-Schulung konkret entstehen?

Nach einer KI-Inhouse-Schulung sollten konkrete Prompt-Vorlagen, priorisierte Anwendungsfälle, Prüfroutinen und interne Leitlinien entstehen.

Im Kölner Projekt war genau das der zentrale Anspruch. Die Schulung sollte nicht nur Wissen vermitteln, sondern nutzbare Arbeitsmittel erzeugen. Am Ende standen 14 Prompt-Vorlagen, 9 priorisierte Anwendungsfälle und 7 interne Leitlinienregeln. Dadurch hatte das Team eine gemeinsame Grundlage für sichere und wiederholbare KI-Nutzung im Arbeitsalltag.

Wie entwickelt ein Team gute Prompt-Vorlagen?

Gute Prompt-Vorlagen entstehen, wenn Ziel, Kontext, Daten Grenze, Ausgabeformat und Prüffrage klar festgelegt werden.

In der Kölner Werkstatt wurde jeder Prompt als Arbeitsanweisung verstanden. Jede Vorlage erhielt feste Felder: Ziel, Kontext, Eingabegrenze, gewünschtes Ausgabeformat und Prüffrage. Dadurch wurden aus spontanen Einzelprompts teamfähige Vorlagen. Zehn der 14 entwickelten Vorlagen wurden nach der Schulung als direkt nutzbar markiert.

Welche Anwendungsfälle eignen sich für erste KI-Routinen?

Geeignet sind Anwendungsfälle, die häufig vorkommen, textnah sind, wenig sensible Daten benötigen und gut geprüft werden können.

Im Projekt wurden 21 Aufgaben gesammelt und 9 priorisiert. Dazu gehörten E-Mail-Entwürfe, Besprechungsnotizen, interne Informationen, FAQ-Antworten, Projektübersichten, Recherchefragen, Textvarianten, Textprüfung und Aufgabenlisten. Diese Anwendungsfälle waren geeignet, weil sie wiederkehrend, nützlich und mit neutralen Beispielen trainierbar waren.

Warum reichen einzelne Prompts nicht aus?

Einzelne Prompts reichen nicht aus, weil sie oft bei einzelnen Personen bleiben und keine gemeinsame Qualität im Team sichern.

Vor der Schulung hatten einige Mitarbeitende eigene Prompts in persönlichen Notizen. Das erzeugte Qualitätsunterschiede und machte Wiederverwendung schwierig. Die Prompt-Werkstatt überführte dieses Einzelwissen in gemeinsame Vorlagen. Dadurch konnten auch andere Teammitglieder dieselbe Struktur nutzen und Ergebnisse besser prüfen.

Wie werden KI-Anwendungsfälle sicher priorisiert?

KI-Anwendungsfälle werden sicher priorisiert, wenn Nutzenpotenzial, Wiederholung, Datenrisiko und Prüfbarkeit gemeinsam bewertet werden.

In Köln entstand dafür eine Anwendungsfall-Matrix. Jede Aufgabe wurde nach vier Kriterien bewertet. Acht Aufgaben waren sofort geeignet, sieben prüfpflichtig und sechs ungeeignet für offene KI-Übungen. Diese Differenzierung verhinderte, dass das Team nur nach Effizienz entschied und Datenrisiken übersah.

Welche Daten dürfen nicht in Prompt-Vorlagen verwendet werden?

Nicht verwendet werden sollten personenbezogene Daten, Kundendaten, Bewerberdaten, Gesundheitsdaten, Vertragsdetails, Preise und vertrauliche Strategien.

Die Datenampel war ein zentraler Bestandteil der Leitlinien. Grün waren fiktive und neutrale Beispiele. Gelb waren interne Inhalte ohne Personenbezug mit Prüfung. Rot waren sensible oder vertrauliche Daten. Jede Prompt-Vorlage erhielt deshalb ein Feld „Eingabegrenze“, damit Mitarbeitende vor der Nutzung prüfen konnten, welche Informationen ausgeschlossen bleiben.

Wie prüft man KI-Ergebnisse im Team?

KI-Ergebnisse werden geprüft, indem Inhalt, Vollständigkeit, Tonalität, Datenrisiko, Belegbarkeit und Zielgruppenpassung kontrolliert werden.

Das Kölner Team entwickelte dafür eine Prüfroutine mit sechs Qualitätsfragen. Bei acht geprüften KI-Entwürfen wurden 26 Verbesserungen identifiziert. Das zeigte, dass KI-Texte oft eine gute Grundlage liefern, aber fachlich, sprachlich und datenschutzbezogen angepasst werden müssen. Die Prüfroutine wurde an jede Prompt-Vorlage angehängt.

Wie sehen interne KI-Leitlinien nach einer Schulung aus?

Interne KI-Leitlinien sollten kurz, verständlich und alltagstauglich sein, damit Teams sie tatsächlich anwenden.

Im Projekt entstanden sieben Leitlinienregeln. Sie klärten, wofür KI genutzt wird, welche Daten ausgeschlossen bleiben, wie Prompts formuliert werden, wie Ergebnisse geprüft werden und wann unsichere Fälle zu klären sind. Die Regeln waren bewusst kurz formuliert, damit sie in Teammeetings, Onboarding und Ablagen wiederverwendet werden können.

Wie wird aus einer KI-Schulung ein nachhaltiger Transfer?

Nachhaltiger Transfer entsteht, wenn Schulungsergebnisse als Vorlagen, Checklisten, Anwendungsfälle und Leitlinien weitergenutzt werden.

Nach fünf Wochen nutzten 17 von 20 Teilnehmenden mindestens eine Prompt-Vorlage regelmäßig. Das gelang, weil die Ergebnisse nicht nur mündlich besprochen, sondern als Arbeitsset dokumentiert wurden. Besonders häufig verwendet wurden Vorlagen für E-Mail-Entwürfe, Besprechungsnotizen, Textprüfung und FAQ-Antworten.

Welche Rolle spielt AI Literacy bei Prompt-Vorlagen?

AI Literacy hilft Teams, Prompt-Vorlagen nicht nur zu nutzen, sondern Datenrisiken, Ergebnisqualität und Verantwortung richtig einzuordnen.

Im Kölner Projekt wurde Prompting nicht als Tricktechnik vermittelt. Die Teilnehmenden lernten, warum Kontext, Ziel, Datenbegrenzung und Prüfung wichtig sind. Dadurch wurde deutlich: Eine gute Vorlage ist nur dann hilfreich, wenn Mitarbeitende verstehen, was KI leisten kann, welche Grenzen bestehen und wer die Ergebnisse verantwortet.

Welche Fehler sollte man bei Prompt-Bibliotheken vermeiden?

Man sollte vermeiden, ungeprüfte Prompts zu sammeln, sensible Daten zu erlauben oder Vorlagen ohne Qualitätsfragen bereitzustellen.

Die Kölner Werkstatt setzte deshalb auf geprüfte Vorlagen mit festen Feldern. Jede Vorlage erhielt Zweck, Kontext, Eingabegrenze, Ausgabeformat und Prüffrage. Außerdem wurden ungeeignete Anwendungsfälle bewusst ausgeschlossen. Dadurch wurde die Prompt-Bibliothek nicht zu einer beliebigen Sammlung, sondern zu einem sicheren Arbeitsinstrument.

Was unterscheidet diese Case Study von anderen KI-Case-Studies?

Diese Case Study zeigt, was nach einer KI-Inhouse-Schulung konkret entsteht: Prompt-Vorlagen, Anwendungsfälle und interne Leitlinien.

Der Köln-Case ist eigenständig, weil er nicht den Schulungsstart, die Anfrage oder eine einzelne Abteilung betrachtet. Im Mittelpunkt steht der Transfer nach der Schulung. Das Team entwickelte konkrete Arbeitsmittel und interne Standards. Dadurch eignet sich der Artikel besonders für Organisationen, die wissen möchten, wie KI-Schulungen nachhaltig in den Arbeitsalltag übertragen werden können.

 

Unser maßgeschneidertes Inhouse-Seminar für Sie!

Die Bildungsakademie am Rosental entwickelt KI-Inhouse-Seminare passend zu Zielgruppe, Standort, Teamgröße und konkretem Schulungsbedarf.

Wählen Sie bei Ihrer Anfrage auch gern zwischen einem a) Inhouse-Präsenz-Seminar an Ihrem Standort, b) einem Inhouse-Online-Workshop mit Ihrem Team oder c) einem Inhouse-Präsenz-Kurs direkt an der Akademie – das Inhouse-Training gern auch in Kombination mit Teambuilding-Aktionen.

Ähnliche Artikel:

• Case Study: KI-Seminar in Stuttgart – welche Fehler ein Kunde dann korrigierte
• Case Study: So wurden interne Dokumente in KI-Inhouse-Schulung von Organisation in Bern eingebunden
• Case Study: Unsere KI-Schulung vereinfachte für Verwaltung in Hannover wiederkehrende Aufgaben
• Case Study: KI-Inhouse-Schulung in Klagenfurt – verständlicher Einstieg für Teams und Mitarbeiter
• Case Study: Düsseldorfer Firma setzt jetzt ChatGPT für interne Kommunikation & Kundenservice ein
• Case Study zeigt Risiken & Grenzen – wie eine Firma in Winterthur nach Seminar AI und GEO einführte