Leitidee, Zielsetzung, Lehrform, alle sechzehn Blöcke im Detail, Portfolio, Dozent und Konditionen.
Die Erfahrung lehrt, dass mächtige Werkzeuge erlernt und eingeübt werden müssen — und moderne KI stellt mit ihren generativen und agentischen Modellen ein solches Werkzeug dar. Wer sich hiermit nicht vertraut macht und diese nicht einübt, vergibt persönliche und organisationale Produktivitätspotenziale.
Die Leitidee des Kurses ist es daher, die persönliche KI-Produktivität zu steigern. Dafür sollen die Teilnehmenden zunächst in zwei Tagen befähigt werden, besser und schneller zu recherchieren, zu analysieren, Arbeitsprozesse agentisch zu delegieren, Ideen zu konzeptualisieren oder gar prototypisch als Software-Artefakt zu erstellen, die infrastrukturellen Voraussetzungen eines leistungsfähigen KI-Einsatzes zu verstehen, Nutzen wie Grenzen einzuschätzen und selbst ein Urteil darüber zu gewinnen, was „KI-Produktivität“ auch für die eigenen Teams im Unternehmen bedeutet.
Das gibt auch Impulse, wie die eigene Rolle beziehungsweise die „Job-Description“ potenziell im Wandel ist und wodurch „Nicht-IT-/Nicht-KI-Menschen“ heute stärker denn je befähigt sind, auch „technische“ Dinge selbst zu erledigen oder in einer Delegations- und Teamsituation zumindest besser einzuschätzen, was möglich ist.
Der Kurs zeigt primär weniger spezifische Werkzeuge, sondern etabliert KI-basierte Arbeitsweisen, mit dem Ziel, die eigene KI-Produktivität zu erhöhen. Dieser Unterschied ist nicht kosmetisch, sondern bestimmt jede einzelne Entscheidung im Aufbau: Die Teilnehmenden verlassen den Kurs nicht nur mit Wissen über KI, sondern konkret mit einem funktionierenden persönlichen Arbeitssystem. Dazu gehören eine getestete Prompt-Bibliothek, mindestens eine laufende Pipeline und ein belastbares Urteilsvermögen darüber, wann sie der Maschine trauen dürfen und wann nicht.
Die Idee dahinter ist so unspektakulär wie wirkungsvoll: Nahezu alle Teilnehmenden haben Sprachmodelle bereits benutzt; kaum jemand reizt sie aus, geschweige denn kennt ihre Potenziale für persönliche und darüber hinaus organisatorische Produktivitätsgewinne. Zwischen gelegentlicher und systematischer Nutzung liegt kein Wissensvorsprung über Technologie, sondern Methode, Disziplin und ein überschaubares Maß an eigener Infrastruktur. Alle drei sind in zwei Tagen erlernbar — aber nur, wenn sie am eigenen Material erlernt werden.
Zwischen gelegentlicher und systematischer Nutzung liegt kein Wissensvorsprung über Technologie, sondern Methode.Leitidee
Vier Ergebnisse sollen am Abend des zweiten Tages vorliegen.
Erstens eine Prompt-Bibliothek für die eigene Rolle: zehn oder mehr Briefings, die die Teilnehmenden selbst getestet, zum Scheitern gebracht und repariert haben, dokumentiert mit Zweck und bekannten Grenzen.
Zweitens eine Pipeline, die tatsächlich läuft und eine wiederkehrende Aufgabe der Teilnehmenden bearbeitet, mit Kontrollpunkt und Abbruchkriterium.
Drittens ein Verifikationsverhalten, das der Frage einer Mandantin standhält, woher eine Zahl stammt.
Viertens ein kalibriertes Urteil darüber, welche Aufgaben delegiert werden können, welche bewusst in eigener Hand bleiben und welche aus Compliance-Gründen gar nicht erst in ein Modell gehören.
Der letzte Punkt ist kein Anhängsel. Zu wissen, wo ein Werkzeug nicht eingesetzt wird, ist die Kompetenz, die erfahrene von enthusiastischen Nutzerinnen und Nutzern unterscheidet.
Den Teilnehmenden werden einschlägige Konzepte vermittelt: teilweise werkzeugunabhängig grundsätzlicher Art, teilweise anhand der führenden Modelle und Anbieter, teilweise anhand von Open-Source-Ansätzen.
Beispielhafte Prompts, Skills beziehungsweise Gems, Pipelines, Linklisten, Hinweise auf Spezialsoftware und weiterführende Literatur werden bereits vor dem Kurs über ein Online-Repository zugänglich gemacht. Ebenfalls im Vorfeld werden Hinweise zum geeigneten Set-up des eigenen Laptops und gegebenenfalls zu Lizenzen für den Betrieb von Software während des Kurses bereitgestellt.
Als Faustregel für die Zeitverteilung gilt: rund 60 Prozent Hands-on, zum Teil am eigenen Fall, rund 40 Prozent Input. Grundsätzlich kann während der beiden Kurstage durchgängig an mitgebrachten beruflichen Aufgaben gearbeitet werden.
Bei einem Zusatztermin am 11. Mai 2027 können die zwischenzeitlich erarbeiteten Ergebnisse der Teilnehmenden diskutiert und begleitet werden. Dies bietet sich an, wenn die Aufgaben relativ komplex sind. Die Idee dabei ist, dass sich die eigene Arbeitsweise durch KI schneller, tiefer und nachhaltiger verändert und dass Entscheidungsträgerinnen und Entscheidungsträgern gehaltvoller vermittelt werden kann, was an IT- und KI-basierten Lösungen durch Nicht-KI- und Nicht-IT-Personen realisiert werden kann.
Der Input beschränkt sich deshalb auf das zum Bauen Notwendige: ein realistisches mentales Modell der Technologie, die Bausteine eines Briefings, die Ebenen des Kontexts, ein Verifikationsprotokoll, die fünf wiederkehrenden Bauformen agentischer Pipelines sowie die rechtlichen und betrieblichen Grenzen. Alles Weitere entsteht in der Werkstatt.
Damit grenzt sich der hier vorgestellte Ansatz auch von „einfachen“ Prompting-Veranstaltungen ab, wenngleich fortgeschrittene Methoden des Prompt Engineering und die dafür zum Teil notwendigen infrastrukturellen Maßnahmen selbstverständlich Bestandteil des Kurses sind.
Im Anschluss an den Kurs ist ein Portfolio einzureichen. Die Bearbeitungszeit beträgt sechs Wochen. Es besteht aus der persönlichen Prompt-Bibliothek mit mindestens zehn dokumentierten Einträgen, einer funktionierenden Pipeline samt kurzer Laufdokumentation und einer zweiseitigen Reflexion. Die Reflexion berichtet die gemessene Zeitwirkung, ein dokumentiertes Scheitern und eine getroffene Compliance-Abwägung.
Im Rahmen eines Feedbacks wird die Qualität der Reflexion nach Aufrichtigkeit bewertet, nicht nach Erfolg: Ein gut analysiertes Scheitern zählt mehr als ein unreflektierter Erfolg. Die vierwöchige Frist ist bewusst gewählt, weil sich die Tragfähigkeit einer Pipeline erst im realen Betrieb zeigt und nicht am Nachmittag ihrer Entstehung.
Die drei Kurstage im Einzelnen — sechzehn Blöcke, dazwischen acht Wochen Abstand.
Was ein Sprachmodell tatsächlich tut, soweit es für kompetente Nutzung nötig ist: Token, Kontextfenster, Nicht-Determinismus, Konfabulation als strukturelle Eigenschaft und nicht als Bug. Unterschied zwischen schnellen Modellen und Reasoning-Modellen und was das für die Promptgestaltung bedeutet. Modelllandschaft und Auswahlkriterien.
Ziel dieses Blocks ist Kalibrierung: weder Ehrfurcht noch Geringschätzung, sondern eine realistische Erwartung an Zuverlässigkeit.
Die Kernbotschaft: Ein guter Prompt ist ein Briefing, wie man es einem sehr fähigen neuen Mitarbeitenden ohne Vorwissen über die Organisation geben würde. Bausteine: Kontext, Rolle, Aufgabe, Constraints, Zielformat, Negativbeispiele. Few-Shot-Prompting. Warum „denk Schritt für Schritt“ bei Reasoning-Modellen weitgehend obsolet ist. Iteratives Debugging: Wie erkenne ich, ob ein schwaches Ergebnis am Prompt, am Modell oder an der Aufgabe liegt.
In diesem Schwerpunktblock werden die Prinzipien in mehr als zehn Leistungsstufen — von einfachen bis hin zu modernsten Prompting-Techniken — vermittelt und an diversen, auch eigenen Beispielen eingeübt.
Der Schritt, den die meisten überspringen. Dauerhafte Instruktionen, Projekt- und Wissensräume, Dokumente als Kontext, Grundidee von Retrieval. Wie man eine persönliche Wissensbasis so aufbaut, dass sie über Monate trägt. Warum ein gut gefüllter Kontext fast immer mehr bringt als ein cleverer Prompt.
Deep-Research-Modi und ihre systematischen Schwächen. Zitationsdisziplin: Wie man Belege prüft statt sie zu glauben. Ein einfaches Verifikationsprotokoll für Fakten, Zahlen und Quellen, das in den Alltag passt. Dazu der ehrliche Blick auf Aufgabentypen, bei denen der Zeitgewinn negativ ist.
Geschäftsgeheimnisse, personenbezogene Daten, Vertraulichkeitszusagen gegenüber Dritten. EU AI Act in der für Anwender relevanten Tiefe, unternehmensinterne Richtlinien, Kennzeichnungsfragen bei Hochschul- und Kundendeliverables.
Tagesabschluss: Jede und jeder verlässt Tag 1 mit fünf getesteten, dokumentierten Prompts für die eigene Rolle.
Unterscheidung: Workflow (feste Kette, vorhersehbar, robust) versus Agent (Modell entscheidet den Pfad selbst, flexibel, fehleranfälliger). Anatomie: Modell plus Werkzeuge plus Schleife plus Abbruchkriterium. Wann welches Muster angemessen ist — und dass die richtige Antwort erstaunlich oft „gar kein Agent“ lautet.
Prompt Chaining, Routing, Parallelisierung, Orchestrator mit Subaufgaben, Evaluator-Optimizer-Schleife. Je Muster ein Miniaturbeispiel aus dem Managementalltag: Angebotsprüfung, Wettbewerbsmonitoring, Berichtsproduktion, Literaturscreening, Protokoll-zu-Maßnahmen-Überführung.
Wie Modelle die Welt berühren: Dateizugriff, Codeausführung, Websuche, Anbindung an Kalender, Mail, Drive und Fachsysteme über Connectors und MCP. Agentic Coding als Universalwerkzeug für Nicht-Programmierende — die Erkenntnis, dass „ich kann nicht programmieren“ 2026 keine Begrenzung mehr ist, wohl aber „ich kann nicht präzise beschreiben, was ich will“.
Jede und jeder baut eine lauffähige Pipeline für eine zweite, potenziell mitgebrachte Aufgabe. Betreuung in Kleingruppen, gestaffelt nach Vorkenntnisstand.
Pflichtbestandteile jeder Pipeline: definierter Input, dokumentierte Zwischenschritte, ein Human-in-the-Loop-Kontrollpunkt, ein Abbruchkriterium und ein Qualitätstest an drei realen Fällen. Absehbar kommen Open-Source-Pipelining-Systeme zum Einsatz, etwa n8n.
Was schiefgeht, wenn niemand hinschaut: stille Qualitätsdrift, Kompoundierung kleiner Fehler über Kettenglieder, Prompt Injection über fremde Inhalte, Kostenexplosion durch Schleifen. Dazu die betriebswirtschaftliche Frage, die EMBA-Teilnehmende ohnehin stellen: Wie rechnet man den Nutzen, und ab wann lohnt sich Automatisierung gegenüber gutem manuellem Betrieb.
Zusammenführung zu einem Playbook: Wo liegen Prompts, wie werden sie versioniert, was wird mit dem Team geteilt, welche Aufgaben bleiben bewusst manuell. Skalierung vom Einzelnen zur Abteilung. Abschließend eine ehrliche Runde zur Frage, welche eigene Kompetenz durch Delegation an die Maschine verkümmert und wie man dagegenhält.
Der Kurs endet nicht am zweiten Tag. Etwa acht Wochen später folgt ein eintägiger Anschlusstermin, an dem die Teilnehmenden ihre Ergebnisse zeigen und diese gemeinsam diskutiert werden. Der Abstand ist bewusst gewählt: Nach acht Wochen hat sich eine Pipeline entweder in den Arbeitsalltag eingefügt oder sie ist still eingeschlafen. Beides ist am zweiten Kurstag nicht sichtbar, und beides ist lehrreich.
Nach acht Wochen sind zudem die organisatorischen Fragen konkret geworden, die am zweiten Kurstag noch abstrakt bleiben mussten: Eigentümerschaft, Versionierung, Übergabe und Freigabe.
Vorbereitung: Zwei Wochen vorher melden die Teilnehmenden, was sie zeigen werden, und laden Input-Beispiele ins Repository. Wer nichts gebaut oder wieder aufgegeben hat, meldet genau das — ohne Rechtfertigung, aber mit einer Zeile zur Ursache. Daraus entsteht die Dramaturgie des Tages: Die Reihenfolge der Vorführungen wird so gelegt, dass verwandte Probleme aufeinanderfolgen.
Die Gründe des Scheiterns sind übertragbarer als die Gründe des Gelingens.Block 13
Der Kern des Tages. Rund zehn bis fünfzehn Minuten pro Person, mit echtem Input, keine Folien. Gezeigt wird der Lauf, nicht die Idee. Anschließend Fragen aus der Gruppe nach festem Muster: Was war der teuerste Fehler, wo sitzt der Kontrollpunkt, was würde man beim nächsten Mal anders bauen. Die Moderation achtet darauf, dass gelobt und nachgefragt wird, nicht bewertet.
Pipelines, die nach drei Läufen niemand mehr angefasst hat, erhalten denselben Zeitanteil wie die erfolgreichen. Gemeinsam wird rekonstruiert, woran es lag: zu selten gebrauchte Aufgabe, zu hoher Verifikationsaufwand, veränderte Datenlage, fehlende Zuständigkeit oder schlicht ein Modellwechsel. Die Gründe des Scheiterns sind übertragbarer als die Gründe des Gelingens, und sie sind in der Regel struktureller und nicht persönlicher Natur.
Die Teilnehmenden legen ihre Zahlen offen: Bauaufwand, Läufe seit dem Kurs, Zeit pro Lauf vorher und nachher, Verifikationsaufwand. Daraus entsteht eine gemeinsame Tabelle und ein realistisches Bild davon, wo die Schwelle zur Wirtschaftlichkeit tatsächlich liegt. Die Zahlen fallen nüchterner aus als die Erwartung nach dem zweiten Kurstag, und genau diese Korrektur ist das Lernergebnis dieses Blocks.
Was nach acht Wochen sichtbar geworden ist: stille Qualitätsdrift, veränderte Eingangsdaten, gewachsene Kosten. Vorgestellt werden einfache Mittel dagegen — ein fixer Testsatz, eine Stichprobenroutine, ein Budgetlimit, ein dokumentierter manueller Rückfallpfad. Dazu eine Aktualisierung der Modelllandschaft, die sich in acht Wochen erfahrungsgemäß spürbar verändert hat, und die Frage, was ein Modellwechsel für bestehende Pipelines bedeutet.
Die Fragen, die am zweiten Kurstag noch abstrakt bleiben mussten, sind jetzt konkret: Kolleginnen und Kollegen fragen nach der Lösung, Vorgesetzte wollen sie ausgerollt sehen. Behandelt werden Eigentümerschaft, Versionierung, Übergabe an Nachfolger, Freigabewege und die Grenze zwischen persönlichem Werkzeug und betrieblichem System. Ergänzend die unbequeme Variante: Was tun, wenn die eigene Organisation das nicht will.
Tagesabschluss: Jede und jeder benennt verbindlich zwei Dinge — eine Sache, die weitergeführt wird, und eine, die eingestellt wird. Die Einstellung ist der wichtigere Teil, weil ein gepflegtes kleines System mehr trägt als ein Portfolio halbfertiger Bauten.
Inhaber des Lehrstuhls für Wirtschaftsinformatik und Informationsmanagement und Gründungsdirektor des Cologne Institute for Information Systems (CIIS) an der Universität zu Köln. Laut AIS belegt das CIIS in der Forschungsleistung im Bereich Information Systems Platz 1 in Deutschland und Platz 4 in Europa.
Er wurde als Sachverständiger für E-Commerce-Fragen in den Deutschen Bundestag berufen und war Berater der Europäischen Kommission. Ein Jahrzehnt lang war er einer der drei gewählten wissenschaftlichen Prüfer der Deutschen Forschungsgemeinschaft, der größten Wissenschaftsförderorganisation Deutschlands. Als Visiting Scholar war er an der Stanford University, der University of California at Berkeley und am MIT, wo Forschungskooperationen entstanden, die bis heute fortbestehen.
Seine Forschungs- und Projektschwerpunkte liegen auf Agentic AI, digitaler Transformation und digitaler Innovation, Künstlicher Intelligenz zur Entscheidungsunterstützung, Data Analytics und maschinellem Lernen im Gesundheitswesen sowie auf Openness und Open Strategy.
Alles Organisatorische steht gebündelt auf der Kursseite: die genauen Termine, die Teilnahmegebühr mit den Staffelungen für Unternehmen und Ehemalige, die Voraussetzungen und der Weg zur Anmeldung.
Fragen beantwortet Dr. Stefanie Klossok, Geschäftsführerin der GSB Mainz:
klossok@uni-mainz.de · 06131 3922136
