Es gibt die Annahme, dass Sprache an Bedeutung verliert, je mächtiger KI-Werkzeuge werden. Schließlich übernimmt die Maschine das Formulieren. Tatsächlich ist das Gegenteil der Fall: Wer mit KI arbeitet, braucht ein präziseres Sprachgefühl als zuvor. Und Unternehmen werden Menschen brauchen, die genau das mitbringen.
sprache ist ein muster, kein dekor
Ob gesprochenes Wort, lyrischer Text oder Programmiersprache: Alles, was wir Sprache nennen, folgt Mustern. Diese Muster zu kennen, sie zu verstehen und im Idealfall zu beherrschen, war schon immer eine Schlüsselfähigkeit. Mit KI wird daraus eine ökonomische Größe.
Denn die Schnittstelle zwischen Mensch und Modell ist Sprache. Wer einen Gedanken klar, knapp und präzise formulieren kann, bekommt bessere Ergebnisse mit weniger Aufwand. Wer schwammig oder ausschweifend prompten muss, zahlt dafür: in Iterationen, in Nachbearbeitung, in Rechenleistung.
prompthygiene wird zum berufsbild
In Unternehmen wird sich daraus eine eigene Disziplin entwickeln. Nennen wir sie Prompthygiene: die Fähigkeit, Eingaben so zu gestalten, dass Sprache, Semantik und Semiotik zusammenspielen, ohne Ressourcen zu verschwenden.
Dazu gehört mehr als das einzelne Prompt. Es gehört dazu, einen Gedanken vorab so zu sortieren, dass er in wenigen Worten transportierbar ist. Es gehört dazu, zu wissen, welches Vokabular ein Modell aktiviert und welches nicht. Und es gehört dazu, zu erkennen, wann ein Satz bereits sitzt und wann eine weitere Iteration die Substanz nur verwässert.
Diese Arbeit wird in Teams nicht nebenher passieren. Es wird Rollen geben, deren Aufgabe genau das ist: die Sprache, mit der eine Organisation mit ihren KI-Systemen spricht, sauber zu halten.
modellauswahl ist auch eine sprachfrage
Eine zweite Dimension der Ressourcenfrage liegt in der Modellauswahl. Brauche ich für eine Aufgabe wirklich das größte verfügbare Modell? Oder reicht ein kleineres, schnelleres, sparsameres Modell vollkommen aus?
Diese Entscheidung trifft niemand, der nicht versteht, was eine Aufgabe sprachlich verlangt. Eine Klassifikation braucht ein anderes Modell als eine Zusammenfassung. Eine kreative Variation braucht ein anderes Modell als eine strukturierte Datenextraktion. Wer das nicht differenzieren kann, greift im Zweifel zur teuersten Option und zahlt drauf: als Unternehmen über die Cloud-Rechnung, als Gesellschaft über den Energieverbrauch.
Sparsamer Modelleinsatz ist keine reine IT-Frage. Er beginnt mit dem Verständnis dafür, was eine Aufgabe ihrem Wesen nach ist. Und dieses Verständnis ist eine Form von Sprachkompetenz.
nicht jede aufgabe gehört in die ki
Daraus folgt eine dritte Unterscheidung, die wir als Organisationen noch lernen werden zu treffen: Welche Aufgaben gehören überhaupt in eine KI?
Manche Aufgaben sind zu einfach. Sie schnell selbst zu erledigen, ist effizienter, als ein Modell zu instruieren, das Ergebnis zu prüfen und zu übernehmen. Andere Aufgaben sind zu komplex, zu kontextabhängig, zu folgenreich, um sie einer KI ohne enge menschliche Steuerung zu überlassen. Dazwischen liegt der Bereich, in dem KI ihre Stärke ausspielt. Aber dieser Bereich ist kleiner, als der gegenwärtige Hype suggeriert.
Diese Sortierung, also was machen Menschen, was machen Modelle, was machen Menschen mit Modellen, ist eine Führungsaufgabe. Und auch sie steht und fällt mit der Fähigkeit, Aufgaben sprachlich präzise zu beschreiben.
was daraus folgt
Sprache verliert in der KI-Ära nicht an Wert. Sie wird zum Multiplikator. Wer sprachlich präzise denkt, prompted besser, wählt Modelle bewusster und unterscheidet klüger zwischen menschlicher und maschineller Arbeit.
Das ist keine Frage von Talent oder Bauchgefühl. Es ist eine Frage von Handwerk. Und Handwerk lässt sich lernen, vorausgesetzt, man erkennt es als das, was es geworden ist: eine ökonomische und ökologische Schlüsselkompetenz.