Generative KI kann Entwürfe, Erklärungen und Vorschläge liefern. Nützlich wird sie, wenn du eine klar abgegrenzte Aufgabe stellst und das Ergebnis fachlich überprüfst. Gerade in der IT sollte die Prüfung zum Arbeitsablauf gehören und nicht erst nach einem Fehler beginnen.
1. Einen unbekannten Begriff verstehen
Lass dir beispielsweise den Unterschied zwischen einer Datenbank und einer Schnittstelle an einem kleinen Beispiel erklären. Frage anschließend nach einer Grenze der Analogie. Vergleiche die Kernaussage mit der offiziellen Dokumentation des betreffenden Systems.
Eine gute Prüfung besteht darin, den Begriff danach selbst zu erklären und eine Rückfrage beantworten zu können. Wenn du nur die KI-Antwort wiederholst, ist noch unklar, ob du den Zusammenhang verstanden hast. Nutze das Werkzeug als Lernhilfe, nicht als Ersatz für das eigene Einordnen.
2. Eine Dokumentation beginnen
Du kannst aus eigenen Notizen einen ersten Entwurf für eine Projektbeschreibung entwickeln lassen. Gib vor, welche Teile enthalten sein sollen: Zweck, Einrichtung, Nutzung, bekannte Grenzen. GitHub erläutert, dass eine README anderen Menschen unter anderem Zweck und Verwendung eines Projekts erklären soll.
Prüfe jede Anweisung selbst. Existiert die genannte Datei? Stimmt die Reihenfolge? Funktioniert ein Schritt auch ohne das Wissen, das nur du im Kopf hast? Eine ordentlich formatierte Anleitung ist noch keine getestete Anleitung.
3. Testfälle ergänzen
Beschreibe das erwartete Verhalten einer kleinen Anwendung und bitte um zusätzliche Grenzfälle. Bei einer Anmeldung könnten das leere Felder, doppelte Eingaben oder ein nicht mehr verfügbarer Termin sein. Vergleiche die Vorschläge mit den tatsächlichen Anforderungen.
Der Nutzen liegt in zusätzlichen Perspektiven. Die KI kennt dein vollständiges System möglicherweise nicht und kann unpassende Fälle vorschlagen oder wichtige übersehen. Entscheide deshalb selbst, welche Tests relevant sind, und überprüfe die Anwendung tatsächlich.
4. Einen Codeentwurf kritisch lesen
Ein KI-Werkzeug kann einen ersten Lösungsansatz oder eine Erklärung zu einem kleinen Codeabschnitt liefern. Das spart unter Umständen Zeit, wenn du die Sprache und den Kontext ausreichend verstehst. Ungeprüfte Übernahme verschiebt das Problem dagegen nur nach hinten.
Frage dich: Welche Eingaben sind erlaubt? Welche Fehler werden behandelt? Werden benötigte Bibliotheken tatsächlich verwendet und sind sie für das Projekt passend? Kannst du jede wichtige Entscheidung erklären? Wenn nicht, verkleinere die Aufgabe und arbeite die fehlenden Grundlagen nach.
5. Einen fachlichen Prozess hinterfragen
Beschreibe einen erfundenen Ablauf und lass dir mögliche unklare Übergaben nennen. Beispielsweise: Wer entscheidet bei einer Reklamation, ob eine Erstattung möglich ist? Nutze die Vorschläge als Fragenliste für deine eigene Analyse.
Ein Sprachmodell kennt die tatsächlichen Regeln deines Unternehmens nicht. Es kann typische Abläufe vermuten, aber keine fehlenden Entscheidungen verbindlich ergänzen. Trenne deshalb in deiner Dokumentation bestätigte Informationen von Annahmen und offenen Fragen.
Vor der Nutzung: Welche Informationen gehören hinein?
Arbeite mit freigegebenen Werkzeugen und halte die Vorgaben deiner Organisation ein. Für Übungen reichen erfundene oder öffentlich nutzbare Daten. Vertrauliche Dokumente, Zugangsdaten oder personenbezogene Informationen sind kein notwendiger Bestandteil eines ersten Lernversuchs.
Die BSI-Veröffentlichung zu generativen KI-Modellen beschreibt unter anderem Risiken durch unzutreffende Ausgaben und den Umgang mit Eingaben. Daraus folgt für unseren praktischen Vorschlag: Prüfe sowohl die Informationen, die du hineingibst, als auch das Ergebnis, das du weiterverwendest.
Wenn du diesen Ablauf beherrschst, wächst eine übertragbare Fähigkeit: du steuerst und beurteilst die Arbeit mit einem Werkzeug. Das bleibt wertvoll, auch wenn sich Produkte, Oberflächen oder Modellnamen ändern.
Zum Weiterdenken: Was macht ein Prompt Engineer – und reicht gutes Prompten als Beruf?.


