Der Moment, in dem KI gefährlich höflich wird
Es gibt diesen Moment in der Beratung: Man stellt einer KI eine Frage zu einem Kunden, einem Markt, einer Strategie oder einem Prozess. Die Antwort kommt sofort. Sie klingt strukturiert. Sie klingt souverän. Sie hat Zwischenüberschriften. Vielleicht sogar eine Tabelle.
Und irgendwo im Text steht etwas, das komplett aus der Luft gegriffen ist. Nicht laut. Nicht peinlich. Nicht mit Sirene. Eher so, als hätte jemand in einem gut sitzenden Sakko gerade Unsinn erzählt und dabei sehr gerade gesessen.
KI halluziniert selten wie ein Betrunkener auf dem Marktplatz. Sie halluziniert wie ein Junior Consultant kurz vor Abgabe: freundlich, sortiert, leicht panisch, aber mit Bulletpoints. Für private Spielerei ist das egal. Für Beratung nicht.
Wenn du einem Kunden eine Empfehlung gibst, muss klar sein, auf welchen Daten sie basiert, welche Methode dahinterliegt und wo Unsicherheit beginnt. Sonst verkaufst du keine Beratung. Du verkaufst Text, der so tut, als wäre er Analyse.
Prompting löst das nicht
Natürlich kann man bessere Prompts schreiben: „Antworte wie ein erfahrener Strategieberater.“ „Berücksichtige Risiken.“ „Denke Schritt für Schritt.“ „Halluziniere nicht.“ Dieser letzte Satz ist besonders schön — als würde man einem Hund sagen: „Bitte sei jetzt kurz Steuerberater.“
Ein Prompt kann Verhalten anstoßen. Er kann Format und Ton lenken. Er kann ein Modell daran erinnern, vorsichtiger zu sein. Aber ein Prompt ersetzt kein Datenmodell.
Er weiß nicht, welche Kundenprojekte es gibt. Er kennt keine Entscheidungshistorie. Er weiß nicht, welche Quelle freigegeben ist und welche nur ein alter PDF-Fund aus einem Slack-Thread. Er versteht nicht automatisch, welche Methode dein Beratungsansatz nutzt und welche Annahmen ausgeschlossen sind.
Wenn du all das jedes Mal in ein Chatfenster kopierst, hast du kein System. Du hast ein Ritual — ein müdes, copy-pastiges Ritual mit API-Anschluss. Mehr dazu in Prompting ist kein Prozess.
Beratung besteht aus Beziehungen, nicht aus Textbrocken
Viele KI-Setups behandeln Wissen wie eine große Textkiste: Präsentationen, Protokolle, Strategiepapiere, Research-Dokumente, CRM-Notizen, Mails und vielleicht noch ein paar PDFs aus 2019. Dann kommt RAG darüber. Retrieval-Augmented Generation. Klingt nach Zukunft. Ist oft nur: „Such mir ähnliche Absätze und hoffe, dass sie passen.“
Das kann helfen. Aber Beratung ist selten nur Ähnlichkeitssuche. Beratung fragt nicht: „Welche Textstelle klingt ungefähr passend?“ Beratung fragt: Welche Firma gehört zu welchem Konzern? Welche Entscheidung wurde wann getroffen? Welche Annahme wurde später verworfen? Welche Maßnahme hängt von welchem Budget ab? Welche Stakeholder blockieren? Welche Methode gilt für diesen Kundentyp? Welche Empfehlung haben wir schon einmal gegeben und warum?
Das sind Beziehungen. Wenn dein System diese Beziehungen nicht kennt, muss das Modell sie erraten. Und Modelle erraten Dinge mit einer Ruhe, die man sonst nur von Menschen kennt, die „kurze Rückfrage“ in den Betreff schreiben und dann eine halbe Doktorarbeit erwarten.
Was ein Datenmodell leisten muss
Ein brauchbares KI-System für Berater braucht ein Modell der Arbeit — nicht nur Dokumente. Ein Kunde ist nicht einfach ein Ordner. Ein Kunde hat Branche, Größe, Ansprechpartner, Ziele, Einschränkungen, laufende Projekte, offene Entscheidungen, historische Empfehlungen, politische Reibung, technische Realität und ein Budget, das meistens kleiner ist als die PowerPoint-Fantasie.
Ein Projekt ist nicht einfach ein Dokument. Ein Projekt hat Phasen, Aufgaben, Hypothesen, Belege, offene Fragen, Risiken, Verantwortliche und Freigaben.
Eine Empfehlung ist nicht einfach ein Absatz. Sie basiert auf Annahmen, Daten, Methoden, Erfahrung und manchmal auf dem sehr gesunden Gefühl: „Das wird intern niemals durchgehen, egal wie schön es im Chart aussieht.“
Diese Dinge müssen unterscheidbar sein. Das ist ein Datenmodell — nicht akademisch, nicht als Selbstzweck, sondern damit die KI nicht alles in einen großen semantischen Smoothie wirft. Smoothies sind gesund. Für Wissen sind sie meistens eine Katastrophe.
Warum Graphen für Beratung sinnvoll sind
Man muss nicht jedes Problem sofort mit einem Knowledge Graph erschlagen. Bitte nicht. Es gibt schon genug Menschen, die bei jedem simplen Prozess einen Graphen malen, als hätten sie einen geheimen Vertrag mit Neo4j.
Aber für Beratung ist die Idee dahinter wichtig. Ein Graph beschreibt Beziehungen: Kunde A hat Projekt B. Projekt B nutzt Methode C. Methode C erzeugt Artefakt D. Artefakt D stützt Empfehlung E. Empfehlung E wurde von Person F freigegeben.
Das klingt trocken. Ist aber genau der Unterschied zwischen „KI findet einen passenden Absatz“ und „KI versteht, warum dieser Absatz in diesem Fall relevant ist“. Gerade bei Strategie, Organisationsentwicklung, Prozessberatung oder komplexer B2B-Beratung reicht flache Suche nicht. Du brauchst Kontextketten — nicht, weil GraphRAG ein schönes Buzzword ist, sondern weil echte Arbeit selten flach ist.
Die drei Dinge, die Beratungssysteme brauchen
Erstens: Zustand. Das System muss wissen, wo ein Prozess gerade steht. Wurde die Analyse schon geprüft? Ist die Empfehlung final? Fehlen Daten? Wartet jemand auf Freigabe? Ohne Zustand beginnt jede Interaktion wieder bei null. Das ist kein Fortschritt. Das ist Alzheimer mit Login.
Zweitens: Gedächtnis. Nicht alles gehört in den aktuellen Prompt. Ein System braucht Kurzzeitgedächtnis für die konkrete Aufgabe und Langzeitgedächtnis für Methodik, Kundengeschichte, Entscheidungen und wiederverwendbares Wissen.
Drittens: Schnittstellen. Wenn die KI nur redet, bleibt sie ein Praktikant mit sehr gutem Wortschatz. Sie muss Daten lesen, Status schreiben, Aufgaben anlegen, Freigaben einholen und Ergebnisse nachvollziehbar ablegen können — CRM, Projektmanagement, Dokumentenablage, interne Wissensbasis, Reporting. Nicht alles auf einmal. Aber genug, damit sie nicht neben der Arbeit steht und freundlich winkt.
Der Berater bleibt die Instanz
Das Ziel ist nicht, Beratung an KI abzugeben. Das Ziel ist, Beratung besser zu führen. Der Berater definiert Methode, Qualitätskriterien, Grenzen und Verantwortung. Die KI sortiert, verknüpft, verdichtet, schlägt vor und macht Fleißarbeit weniger traurig.
Aber sie entscheidet nicht heimlich. Sie darf nicht einfach eine strategische Empfehlung rausfeuern, weil der Prompt heute besonders selbstbewusst war. Gute Beratungssysteme brauchen Freigaben — vor einem Kundenbericht, vor einer finalen Empfehlung, vor einer Budgetaussage, vor allem, was später jemand mit ernster Stimme in einem Meeting verteidigen muss.
Human-in-the-loop ist kein Rückschritt. Es ist der Unterschied zwischen Werkzeug und Haftungsmaschine. Siehe KI-Workflow mit Human-in-the-Loop.
Spezifikation statt Wunschzettel
Viele Berater prompten ungefähr so: „Analysiere diesen Kunden und gib mir strategische Empfehlungen.“ Das ist kein Arbeitsauftrag. Das ist ein Wunsch ans Universum.
Ein brauchbarer Auftrag beschreibt: Was ist die Frage? Welche Daten dürfen genutzt werden? Welche Methode gilt? Welche Quellen sind tabu? Was ist eine Hypothese? Was ist eine belastbare Aussage? Wo muss Unsicherheit markiert werden? Was darf niemals automatisch passieren?
Das ist Specification-Driven Development, nur ohne den Zwang, daraus sofort ein religiöses Framework zu bauen. Für Beratung heißt das: Erst die Denk- und Arbeitsweise beschreiben. Dann die KI darauf loslassen. Nicht umgekehrt. Sonst bekommst du sehr schnell Ergebnisse, die formal schön sind und inhaltlich wie ein Praktikumsbericht aus einem Paralleluniversum.
Ein Beispiel: Strategieanalyse mit und ohne Datenmodell
Ohne Datenmodell: Du lädst fünf Dokumente hoch und fragst nach Empfehlungen. Die KI schreibt zehn Punkte. Drei sind gut. Zwei sind banal. Einer widerspricht einem internen Beschluss von letzter Woche. Vier klingen nur deshalb plausibel, weil niemand mehr genau weiß, was in Dokument drei stand.
Mit Datenmodell: Das System kennt Kundenziele, aktuelle Projekte, beschlossene Maßnahmen, offene Risiken, Stakeholder, Quellenstatus und deine Methode. Es erstellt Hypothesen, zeigt Belege, markiert Lücken und trennt Empfehlung von Annahme. Dann prüfst du.
Das ist nicht weniger Arbeit, weil die KI alles übernimmt. Es ist bessere Arbeit, weil du nicht mehr gegen Textnebel kämpfst.
Governance klingt langweilig. Ist aber Selbstschutz.
Niemand wacht morgens auf und denkt: „Heute habe ich Lust auf Governance.“ Normaler Mensch. Gesundes Zeichen. Aber sobald KI in Beratung arbeitet, brauchst du Regeln: Welche Daten dürfen verarbeitet werden? Wer darf welche Projekte sehen? Welche Ausgaben werden geloggt? Welche Entscheidungen brauchen Freigabe? Welche Tools sind erlaubt? Wo liegen personenbezogene Daten? Was passiert, wenn das Modell unsicher ist?
Das ist nicht Bürokratie. Das ist Brandschutz. Brandschutz ist auch nicht sexy. Trotzdem ist es angenehm, wenn das Gebäude nicht brennt. Mehr dazu in KI-Governance für KMU und EU AI Act für Agenturen.
Vom ChatGPT-Nutzer zum System-Operator
Der Berater der nächsten Jahre wird nicht dadurch besser, dass er 400 Prompts auswendig kann. Er wird besser, wenn er Arbeit modellieren kann — wenn er weiß, welche Daten relevant sind, Methoden in wiederholbare Abläufe übersetzt, KI-Ausgaben prüfen kann ohne sich von poliertem Satzbau einschläfern zu lassen, und erkennt, wann eine Automation reicht und wann ein System nötig ist.
Das ist der Wechsel: Vom ChatGPT-Nutzer zum System-Operator. Nicht, weil jeder Berater Entwickler werden muss. Sondern weil jeder Berater verstehen muss, welche Struktur seine Expertise braucht, damit KI nicht daraus Wortsalat mit Confidence-Score macht.
Wo ich ansetze
Ich helfe Dienstleistern, Agenturen und Beratern, ihre Arbeit KI-fähig zu machen — nicht mit Prompt-Listen, nicht mit „Dein KI-Avatar schreibt jetzt LinkedIn“-Zauberei.
Sondern mit der Frage: Wie sieht dein Beratungsprozess als System aus? Welche Objekte gibt es? Welche Beziehungen? Welche Daten? Welche Freigaben? Welche Rollen? Welche Oberfläche braucht dein Team, damit KI nicht als weiteres Chatfenster herumliegt?
Manchmal entsteht daraus ein kleines internes Tool. Manchmal ein KI-Audit mit 90-Tage-Roadmap. Manchmal eine Agenten-Oberfläche. Manchmal die ernüchternde Erkenntnis, dass gar nicht KI das Problem war, sondern ein Prozess, der schon vorher nach nassem Karton roch und jetzt nur eine API bekommen hat. Auch das ist Fortschritt.
Fazit: Substanz schlägt Satzbau
KI kann Beratern enorm helfen. Aber nicht, wenn sie nur schöner formuliert, was niemand sauber modelliert hat. Beratung braucht Nachvollziehbarkeit, Kontext, Methodik, Verantwortung, Freigaben und Daten, die nicht jedes Mal aus einem Chatverlauf zusammengekratzt werden.
Ein gutes Datenmodell macht KI nicht unfehlbar. Aber es macht sie prüfbar. Und prüfbar ist in der Beratung deutlich wertvoller als beeindruckend. Beeindruckend ist billig geworden. Substanz nicht.
