Skip to main navigation Skip to main content Skip to page footer

KI im Arbeitsalltag · Vom Dialog zur Delegation

Die vier Phasen produktiver KI-Arbeit – vom Prompt zum proaktiven Agenten

Von Gerhard G. StocKinger · Stand: 30. Oktober 2026

ChatGPT hilft mir denken. Deep Research hilft mir prüfen. Work und Codex helfen mir umsetzen. Dots helfen mir dranbleiben. Aus dieser Reihenfolge lässt sich erstaunlich viel darüber lernen, wie KI im Arbeitsalltag wirklich produktiv wird.

Manchmal sieht jemand von außen ein Muster, das man selbst längst lebt, aber noch gar nicht so benannt hat. Genau das ist mir mit einem Kommentar von Mahmood Attia unter meinem LinkedIn-Beitrag passiert. Ich hatte meine KI-Tools danach gereiht, wie stark sie meinen Arbeitsalltag verändert haben. Mahmood erkannte darin unterschiedliche Phasen.

Je länger ich darüber nachdenke, desto besser gefällt mir der Gedanke: Denken → Verifizieren → Umsetzen → Dranbleiben. Vier Arbeitsformen, die zusammen deutlich mehr bewirken können als ein einzelner guter Prompt.

Vier Phasen – und zunehmend fließende Grenzen

Vorweg: Das ist mein Arbeitsmodell, keine offizielle OpenAI-Produktklassifizierung. Die Zuordnung hilft mir, für eine Aufgabe die passende Form der Zusammenarbeit zu wählen. Sie beschreibt keine Pflichtstrecke, die jede Kleinigkeit durchlaufen muss.

Die Produktgrenzen verschwimmen ohnehin. ChatGPT kann suchen, Work kann recherchieren, und Dots können Aufgaben an Work oder Codex übergeben. OpenAI beschreibt diese unterschiedlichen Arbeitsformen auch selbst: Gespräch, delegierter Auftrag, Softwarearbeit und laufende Verantwortung. Die offizielle Gegenüberstellung passt gut zu Mahmoods Beobachtung.

Für mich steckt dahinter eine wichtigere Entwicklung: Ich beschreibe zunehmend das gewünschte Ergebnis und die Spielregeln, statt jeden einzelnen Arbeitsschritt vorzugeben.

1. Denken und Sparring: ChatGPT

Am Anfang steht oft noch keine saubere Aufgabe. Eher ein Gedanke, ein Kundenproblem oder das Gefühl: Da müsste doch mehr möglich sein.

Hier ist ChatGPT für mich ein Sparringspartner. Ich kann eine Idee aussprechen, Gegenargumente verlangen, Begriffe schärfen und verschiedene Wege durchspielen. Besonders hilfreich wird das Gespräch, wenn ich Widerspruch ausdrücklich einlade.

„Ich möchte unseren Angebotsprozess mit KI verbessern. Stelle zuerst meine Annahmen infrage. Welche Ursachen könnte die lange Bearbeitungszeit haben? Welche Informationen fehlen uns für eine fundierte Entscheidung?“

Das ist ein anderer Start als „Automatisiere unsere Angebote“. Vielleicht liegt das Problem an unklaren Zuständigkeiten. Vielleicht fehlen Informationen aus dem Erstgespräch. Vielleicht würde ein besserer Standardtext schon viel lösen.

Ein gutes Ergebnis dieser Phase ist eine bessere Frage. Dazu kommen Hypothesen, Alternativen und eine Liste offener Punkte. Ein überzeugend formulierter Gedanke bleibt zunächst ein Gedanke. Ob er trägt, klärt die nächste Phase.

2. Vertiefen und verifizieren: Deep Research

Sobald aus einer Idee eine belastbare Empfehlung werden soll, brauche ich nachvollziehbare Belege. Welche Funktionen sind tatsächlich verfügbar? Welche Annahme lässt sich bestätigen? Wo widersprechen sich Quellen?

Deep Research eignet sich für die Untersuchung einer Frage über mehrere Quellen hinweg und einen Bericht, den ich samt Quellen prüfen kann. Die aktuelle OpenAI-Dokumentation beschreibt dafür auch den Deep-Research-Plugin in Work. Welche Funktionen verfügbar sind, hängt vom Konto und den Workspace-Einstellungen ab. Quelle: Websuche und Research in Work.

„Prüfe unsere drei Hypothesen zum Angebotsprozess. Nutze bevorzugt aktuelle Herstellerdokumentation und andere Primärquellen. Trenne bestätigte Aussagen, Widersprüche und offene Fragen. Ordne jeder entscheidungsrelevanten Aussage ihre Quelle zu.“

Quellenangaben machen einen Bericht überprüfbar. Sie nehmen mir die Prüfung nicht ab. Eine Quelle kann veraltet sein, nur einen Sonderfall beschreiben oder die Schlussfolgerung nicht hergeben.

Deshalb frage ich hier weniger nach der Anzahl der Links. Mich interessiert: Welche unserer wichtigen Aussagen sind ausreichend belegt – und was wissen wir weiterhin nicht? Das verhindert, dass ein schöner Report mehr Sicherheit ausstrahlt, als sein Inhalt rechtfertigt.

3. Umsetzen: Work und Codex

Irgendwann ist genug diskutiert und recherchiert. Jetzt muss etwas entstehen, das wir verwenden können: eine Präsentation, eine Tabelle, ein Dokument, eine Website oder eine funktionierende Softwareänderung.

OpenAI positioniert ChatGPT Work für Aufgaben mit einem klaren Ergebnis, etwa Analysen, Präsentationen, Dateien oder wiederkehrende Updates. Quelle: Einstieg in ChatGPT Work. Bei Softwarearbeit ist Codex mein spezialisierter Zugang – zum Schreiben, Prüfen und Debuggen von Code. Quelle: OpenAI zur Codegenerierung und Codex.

In unserem Angebotsbeispiel könnte Work aus den freigegebenen Erkenntnissen eine Angebotsvorlage und eine Checkliste für fehlende Kundendaten erstellen. Codex könnte anschließend eine passende Erweiterung im bestehenden System umsetzen.

„Erstelle aus dem geprüften Bericht eine Angebotsvorlage und eine kurze Checkliste für das Erstgespräch. Verwende nur belegte Produktangaben. Markiere offene Entscheidungen. Das Ergebnis ist fertig, wenn unser Vertrieb damit einen realistischen Musterfall durchspielen kann.“

Bei Code gehören die betroffenen Komponenten, bestehende Konventionen und passende Prüfungen zum Auftrag. Bei einem Dokument sind es Zielgruppe, Format und fachliche Richtigkeit. „Mach etwas Gutes daraus“ lässt viel Spielraum. Klare Abnahmekriterien machen Delegation brauchbar.

Ich prüfe also das Ergebnis am tatsächlichen Zweck: Rechnet die Tabelle richtig? Ist die Präsentation für ihre Zielgruppe verständlich? Funktioniert die Änderung im vorgesehenen Ablauf? Die erzeugte Datei ist der Anfang dieser Prüfung.

4. Dranbleiben: Dots und proaktive Agenten

Die vierte Phase beginnt mit einer anderen Art von Auftrag. Ich will eine Verantwortung über längere Zeit abgeben: ein Thema im Blick behalten, Fortschritt verfolgen und bei relevanten Veränderungen wieder aktiv werden.

OpenAI beschreibt Dots als dauerhaft verfügbare Agenten, die zwischen Gesprächen an Aufgaben weiterarbeiten und bei Bedarf Work oder Codex einbeziehen können. Für die Nutzung gelten die jeweiligen Berechtigungen und Freigaben. Quelle: Meet dots.

„Behalte die von uns freigegebenen Produktunterlagen für unsere Angebotsvorlage im Blick. Melde Änderungen, die Preise, Funktionsumfang oder unsere Kundenaussagen betreffen. Bereite einen Änderungsvorschlag mit Quelle vor. Änderungen an der Vorlage und Nachrichten an Kunden brauchen meine Freigabe.“

Damit der Auftrag funktioniert, muss klar sein, welche Quellen der Agent nutzen darf und was eine relevante Änderung ist. „Halte mich auf dem Laufenden“ ist schnell gesagt. Eine brauchbare Meldung erklärt, was sich geändert hat, warum es uns betrifft und welche Entscheidung ansteht.

Ein wichtiger Unterschied: Die von OpenAI beschriebene proaktive Hintergrundrecherche liest erlaubte Informationen und hält Erkenntnisse fest. Sie verschickt selbst keine Nachrichten, verändert keine verbundenen Apps und steuert keinen Computer. Weiterführende Aktionen unterliegen den dafür geltenden Berechtigungen und Freigaben. Quelle: Tasks and memory.

Hinweis für Österreich, Stand 30. Oktober 2026: Der schrittweise Dots-Rollout für persönliche Pro-Konten schließt den Europäischen Wirtschaftsraum, die Schweiz und das Vereinigte Königreich derzeit aus. Für Business Premium und Enterprise nennt OpenAI einen weltweiten Rollout; bei Enterprise muss die Administration den Zugang aktivieren. Die konkrete Verfügbarkeit hängt vom Konto und Workspace ab. Aktuelle Zugangsbedingungen.

Die meiste Produktivität steckt in den Übergängen

Vier leistungsfähige Werkzeuge ergeben noch keinen funktionierenden Ablauf. Wenn beim Wechsel der Kontext verloren geht, beginnt jede Phase wieder mit Rückfragen und Annahmen.

Für mich bewährt sich eine einfache Übergabe:

  • Vom Gespräch zur Recherche: die Hypothesen, die offenen Fragen und die Kriterien für eine belastbare Antwort.
  • Von der Recherche zur Umsetzung: geprüfte Aussagen, Quellen, Unsicherheiten und das gewünschte Ergebnis.
  • Von der Umsetzung zum Dranbleiben: der freigegebene Stand, die erlaubten Quellen sowie Regeln für Änderungen und Meldungen.

Im Angebotsbeispiel entsteht so ein zusammenhängender Ablauf: Wir verstehen das Problem, prüfen die relevanten Fakten, erstellen eine brauchbare Vorlage und beobachten anschließend die Änderungen, die diese Vorlage betreffen. Neue Erkenntnisse können jederzeit zurück in die Recherche oder Umsetzung führen.

Mehr Delegation braucht klare Spielregeln

Mit der Möglichkeit, Arbeit abzugeben, wächst die Bedeutung guter Grenzen. Ein Brainstorming hat andere Folgen als eine geänderte Datei oder eine Nachricht an einen Kunden. Für Unternehmensabläufe würde ich vier Regeln festhalten:

  1. Nur nötigen Zugriff geben. Welche Daten und Anwendungen braucht diese konkrete Aufgabe? Die Antwort bestimmt die Berechtigungen.
  2. Lesen und Ändern bewusst erlauben. Etwas beobachten zu dürfen bedeutet noch keine Erlaubnis, es umzuschreiben oder zu versenden.
  3. Freigaben an den Folgen ausrichten. Ein interner Entwurf kann viel Spielraum haben. Verbindliche Zusagen, externe Kommunikation und sensible Änderungen brauchen entsprechend klare Kontrollen.
  4. Ergebnisse nachvollziehbar halten. Quellen, wichtige Annahmen, Änderungen und Freigaben sollen später verständlich sein.

Diese Regeln gehören in den Auftrag und in die tatsächliche Konfiguration. OpenAI beschreibt für Dots eingebaute Schutzmechanismen, bestehende App-Berechtigungen und Aktionsprüfungen. Zusätzliche eigene Regeln können die Zusammenarbeit weiter eingrenzen. Quelle: Control your dot.

Woran ich produktive KI-Arbeit messen würde

Eine schnell erzeugte Antwort ist angenehm. Für den Alltag interessieren mich vor allem drei Fragen:

  • Wie schnell entsteht ein brauchbares Ergebnis? Einschließlich Prüfung und Nacharbeit.
  • Wie viel Korrektur braucht es? Fachliche Fehler und übersehene Randbedingungen zählen mit.
  • Wie hilfreich ist das Dranbleiben? Führt eine Meldung zu einer sinnvollen Entscheidung oder erzeugt sie zusätzliche Ablenkung?

Ein Agent, der täglich zehn belanglose Updates liefert, beschäftigt mich. Ein Agent, der rechtzeitig eine relevante Änderung samt überprüfbarem Vorschlag vorbereitet, entlastet mich. Genau daran würde ich die vierte Phase messen.

Wo du anfangen kannst

Nimm einen überschaubaren Ablauf, den du ohnehin regelmäßig erledigst: einen Marktüberblick, eine Angebotsvorlage, eine interne Auswertung oder die Pflege einer Wissenssammlung. Kläre zuerst, welcher Teil Denkarbeit ist, welche Aussagen Recherche brauchen und welches konkrete Ergebnis entstehen soll.

Erst wenn dieser Ablauf verlässlich funktioniert, lohnt sich die Frage nach kontinuierlicher Begleitung. Ein guter kurzer Dialog darf ein guter kurzer Dialog bleiben. Nicht jede Aufgabe braucht einen Agenten, der wochenlang daran arbeitet.

Mahmoods Kommentar hat für mich trotzdem einen wichtigen Punkt getroffen: Meine KI-Arbeit bewegt sich vom einzelnen Prompt hin zu klarer formulierten Zielen, überprüfbaren Ergebnissen und längerfristiger Delegation. Meine Rolle verändert sich dabei mit. Ich gebe Kontext, setze Grenzen und entscheide dort, wo mein Urteil gebraucht wird.

ChatGPT zum Denken.
Deep Research zum Prüfen.
Work und Codex zum Umsetzen.
Dots zum Dranbleiben.

Danke an Mahmood Attia für den Gedankenanstoß. Aus einer persönlichen Tool-Rangliste ist für mich ein ziemlich nützliches Arbeitsmodell geworden.

Du möchtest solche Abläufe in deinem Unternehmen aufbauen? In meiner Methode für Unternehmens-Enablement beginnt die Arbeit beim konkreten Anwendungsfall. Lass uns über deinen nächsten sinnvollen KI-Schritt sprechen.

Quellen und Einordnung

Die vier Phasen sind meine praktische Einordnung. Produktinformationen und der Verfügbarkeitshinweis wurden am 30. Oktober 2026 anhand der offiziellen Dokumentation geprüft. Funktionen und Zugänge können sich ändern. Die Prompt-Beispiele beschreiben mögliche Arbeitsaufträge; sie setzen passende Datenquellen, Berechtigungen und verfügbare Funktionen voraus.

Bildhinweis: Das Titelbild wurde mit KI erstellt. Die ergänzende Grafik veranschaulicht das Arbeitsmodell; beide Bilder zeigen keine tatsächliche Produktoberfläche.