MAGIC MOMENTS WITH AI · MMAI LERNTAGEBUCH · MODUL 1
Was ich in Modul 1 über Rollen, Kollaboration und Future Workflows gelernt habe
Björn Hülbert · MMAI academy4.ai Teilnehmer 09/2026
Führung wird geteilt, Verantwortung nicht.
Die Aufgabenstellung in Modul 1 war zunächst überschaubar: KI-Rollen beziehungsweise KI-Mitarbeitende definieren, ihnen Aufgaben übertragen und beobachten, wie die Zusammenarbeit funktioniert.
Meine wichtigste Erkenntnis daraus ist inzwischen: Die eigentliche Herausforderung besteht nicht darin, einer KI einen Namen und eine Rolle zu geben. Sie besteht darin, aus unterschiedlichen Rollen einen funktionierenden, überprüfbaren und lernfähigen Arbeitsprozess entstehen zu lassen.
Was als Versuch mit einer KI-Grafikerin begann, wurde am realen Projekt BrainFarming.de zu einem kleinen Labor für künftige Mensch-KI-Kollaboration.
Die 10 wichtigsten Erkenntnisse
- Eine Rolle allein reicht bei komplexen Aufgaben selten aus. Gute Ergebnisse entstehen, wenn spezialisierte Perspektiven bewusst getrennt und anschließend wieder zusammengeführt werden.
- KI-Rollen brauchen klare Verantwortungsbereiche. Nicht jede Rolle sollte alles können oder überall mitreden. Spezialisierung reduziert Aufgabenchaos und macht Beiträge prüfbarer.
- Der eigentliche Mehrwert entsteht zwischen den Rollen. Übergaben, Widersprüche und gemeinsame Reviews sind wichtiger als die isolierte Leistung einer einzelnen Persona.
- Human-in-the-Loop ist mehr als Endabnahme. Der Mensch setzt Ziele, priorisiert, stoppt, gibt frei und kann an entscheidenden Stellen jederzeit einen Checkpoint einfordern.
- Der erste Sprint ist vor allem ein Test des Systems. Er zeigt, ob Rollen, Briefings, Übergaben und Entscheidungswege funktionieren – nicht, ob bereits alles marktreif ist.
- Iteration ist Teil des Designs. Rücksprünge, Varianten und erneute Prüfungen sind kein Reparaturmodus, sondern ein geplanter Bestandteil des Workflows.
- Dokumentation macht gute Ergebnisse wiederholbar. Entscheidungen, Gründe, Learnings, Standards und offene Fragen müssen in den nächsten Zyklus zurückfließen.
- KI-Mitarbeitende müssen operational eingearbeitet werden. Nicht durch technisches Modelltraining, sondern durch präzisere Rollen, Kontext, Standards, Briefings und Feedbackschleifen.
- Selbstgefallen ist keine Validierung. Erst Feedback von anderen zeigt, ob Gestaltung, Verständlichkeit und Wirkung auch außerhalb der eigenen Perspektive tragen.
- Der wichtigste Output kann der Workflow sein. Wenn der Prozess nachvollziehbar, reproduzierbar und verbesserbar ist, entsteht ein wiederverwendbarer Teamstandard.
Der Ausgangspunkt: eine überschaubare Aufgabe
Die Aufgabe im ersten Modul meines Master Management AI klang zunächst erstaunlich einfach: KI-Mitarbeitende definieren, ihnen Rollen geben, erste Aufgaben übertragen – und beobachten, wie die Zusammenarbeit funktioniert.
Ich begann mit einer Grafikerin. Als Testfeld wählte ich kein abstraktes Übungsbeispiel, sondern ein reales Projekt: den BrainFarming Icon Sprint. Gesucht wurden zunächst ein bis drei visuelle Richtungen für ein Icon- beziehungsweise Logosystem. Die Gestaltung sollte Denkraum, Kultivierung, Zukunftsorientierung und Gemeinwohl transportieren und gleichzeitig für Website, Social Media, Motion und weitere Anwendungen funktionieren.
Rückblickend war damit nicht das Logo die eigentliche Aufgabe. Der Sprint wurde zu einem Experiment darüber, wie Mensch und KI in einem kreativen Prozess organisiert werden können.
Aus einer Grafikerin wird ein Team
Bei der Arbeit zeigte sich schnell eine typische Grenze der Einzelrolle: Sobald ein reales Kommunikationsprodukt entsteht, reicht „Grafik“ allein nicht mehr. Wer prüft die Nutzerperspektive? Wer bewertet die technische Webtauglichkeit? Wer erkennt Motion- und Storytelling-Potenzial? Und wer führt widersprüchliche Fachperspektiven wieder zusammen?
So entwickelte sich schrittweise ein spezialisiertes Kreativteam: Gini für Graphic & Visual Design, Uma für UX/UI und Experience, Neo für Webarchitektur und digitale Umsetzbarkeit, Momo für Motion/VFX sowie Coco für Creative Coordination und Management Review.
Meine eigene Rolle bleibt bewusst außerhalb dieser Spezialisierungen: Ich bin Human-in-the-Loop, Auftraggeber und Entscheidungsinstanz. Ich setze Richtung und Kontext, bringe eigene Erfahrung ein, prüfe Ergebnisse und trage die Verantwortung für die Entscheidungen.
Nicht fünf Stimmen gleichzeitig
Eine zentrale Erkenntnis: Ein KI-Team entsteht nicht dadurch, dass fünf Personas gleichzeitig nach ihrer Meinung gefragt werden. Das wäre lediglich ein größerer Chat. Erst eine Arbeitsarchitektur macht aus mehreren Rollen ein Team.
Deshalb wurden Verantwortungen und Übergaben definiert. Uma liefert Experience-Leitplanken. Gini entwickelt visuelle Richtungen. Neo prüft deren digitale Tragfähigkeit. Momo untersucht Bewegung und medienübergreifendes Storytelling. Coco bündelt Perspektiven, erkennt Lücken und bereitet die nächste Entscheidung vor.
Damit wird die Persona für mich weniger zu einer künstlichen Persönlichkeit als zu einem definierten professionellen Viewpoint. Charakter kann helfen, Denk- und Arbeitsweisen konsistent zu halten. Entscheidend bleibt aber die fachliche Funktion im System.
Kollaboration wird zum eigentlichen Experiment
An diesem Punkt wurde für mich die Nähe zu Design Thinking deutlich: Eine Idee entsteht, eine andere Perspektive stellt sie infrage, technische Machbarkeit wird geprüft, weiteres Potenzial entdeckt, Beiträge werden synthetisiert – und anschließend entscheidet der Mensch.
Der Nutzen liegt damit nicht in der ersten Antwort, sondern im organisierten Wechsel der Perspektiven. Gute Kollaboration entsteht dort, wo Rollen sich produktiv gegenseitig irritieren dürfen, ohne dass die Verantwortung für die Richtung verloren geht.
Human-in-the-Loop bedeutet in diesem Modell deshalb weit mehr als eine Endabnahme. Der Mensch ist schon beim Briefing beteiligt, kann jederzeit intervenieren, priorisiert widersprüchliche Anforderungen und entscheidet zwischen Go, Iteration und Stopp.
Führung wird geteilt, Verantwortung nicht.
Vom Rollenmodell zum Future Workflow
Mit der Zeit verschob sich mein Interesse. Nicht mehr die einzelne Persona stand im Mittelpunkt, sondern die Frage: Wie sieht ein Ablauf aus, der Spezialisierung, Qualität, Effizienz, Lernfähigkeit und menschliche Entscheidungssicherheit verbindet?
Die Rollen wurden deshalb in einen zirkulären Sprint-Workflow eingebettet. Briefing, Nutzerperspektive, visuelle Konzeption, Medien- und Systemcheck, Review, Human Decision, Iteration und Finalisierung bilden keine starre Kette. Sie sind eine lernende Schleife, in der an definierten Stellen zurückgesprungen werden kann.
Das ist für mich der Übergang vom Rollen-Prompting zum Future Workflow: Die KI-Mitarbeitenden sind nicht das Produkt. Sie sind Bestandteile einer Arbeitslogik.
Checkpoints, Wiederholbarkeit und Team Memory
Je länger ich mit diesem System arbeite, desto weniger interessieren mich einzelne spektakuläre Ergebnisse. Mich interessiert, ob ich erklären kann, warum ein Ergebnis entstanden ist und ob der Weg dorthin wiederholbar ist.
Warum wurde eine Richtung gewählt? Welche Perspektive war ausschlaggebend? Was hat nicht funktioniert? Wo fehlte Kontext? Welche Entscheidung habe ich selbst getroffen? Was muss beim nächsten Projekt nicht erneut ausgehandelt werden?
Genau dafür werden Checkpoints und Dokumentation zentral. Sie sind nicht bloß Sicherungen eines Chatverlaufs, sondern Reflexionspunkte des Arbeitsprozesses. Entscheidungen, Gründe, Learnings und Standards müssen in den nächsten Zyklus zurückfließen. Erst dadurch entsteht aus einem gelungenen Experiment ein belastbarer Teamstandard.
Das Experiment verändert auch den Menschen
Vielleicht ist dies meine wichtigste persönliche Erkenntnis aus Modul 1: Ich entwickle nicht nur KI-Mitarbeitende. Der Prozess entwickelt auch mich als Auftraggeber und Human-in-the-Loop.
Ich muss präziser formulieren, zwischen einem schlechten Ergebnis und einem schlechten Briefing unterscheiden, geeignete Checkpoints setzen und Entscheidungen begründen können. Ich muss lernen, wann ich eingreifen sollte – und wann eine Fachperspektive zunächst bewusst ihren eigenen Weg gehen sollte.
Gute Zusammenarbeit mit KI verlangt deshalb an einigen Stellen gerade nicht mehr Geschwindigkeit, sondern bewusstes Langsamerwerden: prüfen, vergleichen, dokumentieren – und erst dann wieder beschleunigen.
Wann ist ein Ergebnis eigentlich gut?
Wenn mir selbst eine Website, ein Icon oder eine Gestaltung gefällt, ist das noch keine belastbare Validierung. Eine interne Entscheidung sagt zunächst wenig darüber aus, ob die beabsichtigte Wirkung bei anderen Menschen tatsächlich entsteht.
Deshalb gehört zu einem späteren Entwicklungsstadium reales Feedback: aus der Kohorte, von Kolleginnen und Kollegen, Freunden, potenziellen Nutzerinnen und Nutzern oder öffentlich über die Website. Erst diese externe Rückkopplung zeigt, ob Verständlichkeit, Gestaltung und Wirkung tatsächlich tragen.
Der Prozess erweitert sich damit um eine entscheidende Schleife: entwickeln, entscheiden, testen, lernen, verbessern. Marktreife ist kein Zustand nach dem ersten Sprint, sondern das Ergebnis mehrerer belastbarer Prüfungen.
Mein eigentliches Ergebnis aus Modul 1
Die sichtbaren Ergebnisse dieses Experiments sind Rollenprofile, Grafiken, Abläufe und erste Entwürfe. Das eigentliche Ergebnis ist für mich aber ein anderes.
Aus der Frage „Wie baue ich einen KI-Mitarbeitenden?“ ist die größere Frage geworden: „Wie gestalte ich ein lernfähiges sozio-technisches Arbeitssystem aus Mensch und KI?“
Ich verstehe das heutige Modell deshalb ausdrücklich als Working Model. Rollen, Übergaben, Checkpoints und Standards werden sich mit den Aufgaben weiterentwickeln. Entscheidend ist nicht, dass der Prozess schon perfekt ist, sondern dass er nachvollziehbar verbessert werden kann.
Das Seil zum Stern
Der heutige KI-Kosmos ist nahezu unüberschaubar: neue Modelle, neue Tools, neue Agenten, neue Möglichkeiten. Man kann permanent nach dem nächsten Stern greifen.
Für mich wird aber immer klarer: Zuerst brauche ich einen Weg. Manchmal fühlt sich dieser Prozess an, als würde man mit einer Machete eine Schneise durch den Dschungel schlagen oder barfuß durch tiefen Schnee gehen. Der Weg liegt nicht fertig vor mir. Er entsteht erst dadurch, dass ich ihn gehe.
Jeder bewusst gesetzte Schritt hinterlässt dabei eine Spur: ein gutes Briefing, eine klare Rolle, eine dokumentierte Entscheidung, ein Checkpoint, ein Learning, ein wiederverwendbarer Standard.
Der belastbare Prozess ist am Ende das Seil, an dem ich mich zu den Sternen hochziehen kann.
Mein Learning aus Modul 1 lautet deshalb: Nicht möglichst schnell mit KI Ergebnisse produzieren, sondern lernen, mit KI Prozesse aufzubauen, die auch morgen noch funktionieren.
Status dieses Modells
Working Model. Entstanden aus dem ersten praktischen Sprint in Modul 1. Die Rollen, Übergaben, Checkpoints und Standards werden in weiteren Projekten weiter getestet, dokumentiert und verfeinert.
