Skill vs. Workflow: Warum die Zukunft denen gehört, die ihre eigenen KI-Workflows entwerfen können

TL;DR. Die meisten KI-Weiterbildungen bedeuten noch immer, Tools zu lernen: welches Modell, welcher Prompt, welche Funktion. Die Forschung weist in eine andere Richtung. In einem Feldexperiment mit 758 Beraterinnen und Beratern der Boston Consulting Group steigerte GPT-4 die Zahl der erledigten Aufgaben um 12,2 % und die Qualität um mehr als 40 % bei Aufgaben, die das Modell gut bewältigte; bei einer Aufgabe knapp außerhalb seiner Fähigkeiten lagen die Nutzerinnen und Nutzer jedoch mit 19 Prozentpunkten geringerer Wahrscheinlichkeit richtig. In einer randomisierten Studie mit erfahrenen Open-Source-Entwicklern dauerten Aufgaben mit KI-Zugang 19 % länger, während die Entwickler glaubten, 20 % schneller geworden zu sein. In McKinseys Umfrage zur KI-Einführung war die Neugestaltung von Workflows von 25 getesteten Merkmalen dasjenige, das am stärksten mit Wirkung auf das Ergebnis verbunden war. Der gemeinsame Nenner: Das Resultat hängt weniger vom Tool ab als von den Entscheidungen darum herum. Welche Aufgaben an das Modell gehen, wo ein Mensch prüft, was wiederverwendet wird. Das ist eine eigene Fähigkeit, und sie ist erlernbar. Dieser Leitfaden stellt die Evidenz dar und gibt Ihnen ein sechsteiliges Canvas, um Ihre eigenen KI-Workflows zu entwerfen.

Was ist der Unterschied zwischen einem Skill und einem Workflow?

Ein Tool-Skill ist das Wissen, wie man etwas bedient: einen guten Prompt schreiben, eine Funktion nutzen, ein Modell auswählen. Ein Workflow ist die Abfolge von Schritten, die aus einem Input ein Ergebnis macht, einschließlich der Frage, wer (oder was) jeden Schritt ausführt, in welcher Reihenfolge und wo das Ergebnis geprüft wird.

Tool-Skills sind notwendig, aber sie verlieren schnell an Wert. Das Modell, das Sie letztes Jahr beherrscht haben, wurde ersetzt, und die Prompt-Tricks, die dort funktionierten, lassen sich womöglich nicht übertragen. Workflow-Design ist eher eine Managementfähigkeit: Es überträgt sich von Tool zu Tool, weil es darum geht, wie die Arbeit aufgeteilt wird, und nicht darum, welcher Knopf gedrückt wird. In unserem Entscheidungsrahmen dafür, welche KI-Tools sich tief zu lernen lohnen, haben wir argumentiert, dass Sie nur sehr wenige Tools vertieft lernen sollten. Dieser Beitrag ist die andere Hälfte dieses Arguments: worin Sie sich stattdessen vertiefen sollten.

Die Evidenz: dasselbe Tool, sehr unterschiedliche Ergebnisse

Die stärkste Evidenz stammt aus Studien, in denen alle Zugang zur selben KI hatten und das Ergebnis dennoch stark davon abhing, wie die Arbeit strukturiert war.

Tabelle 1. Dieselbe KI, unterschiedliche Ergebnisse: was die kontrollierten Studien fanden

Studie	Wer und was	Ergebnis mit KI	Was den Unterschied machte
Dell’Acqua et al. (2023), Working Paper der Harvard Business School	758 BCG-Beraterinnen und -Berater, GPT-4, realistische Beratungsaufgaben	Innerhalb der Fähigkeiten des Modells: 12,2 % mehr Aufgaben, 25,1 % schneller, mehr als 40 % höhere Qualität. Außerhalb davon: mit 19 Prozentpunkten geringerer Wahrscheinlichkeit richtig	Ob die Aufgabe innerhalb oder außerhalb der „zerklüfteten Grenze“ (jagged frontier) dessen lag, was das Modell gut kann
Becker et al. (2025), METR, arXiv	16 erfahrene Open-Source-Entwickler, 246 Aufgaben in ihren eigenen Repositories	Aufgaben dauerten mit erlaubter KI 19 % länger; die Entwickler hatten eine Beschleunigung um 24 % prognostiziert und glaubten danach, 20 % gewonnen zu haben	Ausgereifte, vertraute Codebasen und hohe Qualitätsstandards, bei denen das Prüfen und Korrigieren von KI-Output mehr kostete, als es einsparte
Brynjolfsson, Li und Raymond (2023), NBER Working Paper	5.179 Kundensupport-Mitarbeitende, KI-Assistent	Im Schnitt 14 % mehr gelöste Anliegen pro Stunde; 34 % bei Neulingen und gering qualifizierten Beschäftigten; minimale Wirkung bei den Erfahrensten	Wer es nutzte: Die KI verbreitete die Praktiken der Top-Performer an neuere Mitarbeitende
Noy und Zhang (2023), Science	453 Fachkräfte, ChatGPT, Schreibaufgaben	Zeitaufwand sank um 40 %, Qualität stieg um 18 %	Die Struktur der Aufgabe: Das Rohentwerfen schrumpfte, das Überarbeiten wuchs
Dell’Acqua et al. (2025), NBER Working Paper	776 Fachkräfte von Procter & Gamble, Produktentwicklung	Einzelpersonen mit KI erreichten die Leistung von Teams ohne KI	Die KI übernahm einen Teil dessen, was sonst ein Teammitglied beiträgt

Zwei Details aus diesen Studien sind wichtiger als die Schlagzeilenzahlen.

Erstens: Die Beraterinnen und Berater, die zusätzlich zum Tool einen kurzen Überblick über Prompt Engineering erhielten, erledigten etwa 93 % der Aufgaben, verglichen mit etwa 91 % bei denen, die nur das Tool erhielten, und etwa 82 % in der Kontrollgruppe. Tool-Training half, aber nur geringfügig. Die großen Ausschläge kamen daher, auf welche Aufgabe das Tool angewendet wurde.

Zweitens: In der Schreibstudie reichten 68 % der Teilnehmenden, die ChatGPT erhielten, dessen ersten Output ohne Überarbeitung ein. Das hat nicht das Tool entschieden. Das hat der Workflow entschieden, genauer gesagt: das Fehlen eines Workflows.

Warum die Gewinne auf gesamtwirtschaftlicher Ebene stocken

Wenn KI einzelne Aufgaben so viel schneller macht, warum sind die gemessenen Gewinne über die gesamte Erwerbsbevölkerung hinweg klein? Zwei große Studien geben eine übereinstimmende Antwort.

Tabelle 2. KI-Zeitersparnis auf der Ebene des Arbeitsmarkts (verifizierte Daten)

Quelle	Umfang	Befund
Bick, Blandin und Deming (2025), NBER Working Paper	National repräsentative US-Umfrage	Nutzerinnen und Nutzer sparen 5,4 % ihrer Arbeitsstunden; über alle Beschäftigten entspricht das 1,4 % aller Arbeitsstunden. Zwischen 1 % und 5 % aller Arbeitsstunden werden durch generative KI unterstützt
Humlum und Vestergaard (Revision 2026), NBER Working Paper	25.000 Beschäftigte in 7.000 dänischen Betrieben, 11 exponierte Berufe	Nutzerinnen und Nutzer sparen etwa 3 % ihrer Arbeitsstunden; die Effekte auf Einkommen und Arbeitszeit sind so klein, dass Veränderungen von mehr als 2 % ausgeschlossen werden können; Arbeitgeber „absorbieren KI durch Neuorganisation von Aufgaben“
McKinsey, The State of AI (März 2025)	1.491 Befragte, global	Von 25 getesteten Merkmalen hatte die Neugestaltung von Workflows den größten Effekt auf die Fähigkeit, eine EBIT-Wirkung durch KI zu sehen; 21 % der Organisationen hatten zumindest einige Workflows grundlegend neu gestaltet
McKinsey, The State of AI in 2025 (November 2025)	1.993 Befragte, global	55 % der KI-High-Performer hatten einzelne Workflows grundlegend neu gestaltet, gegenüber 20 % der übrigen Organisationen
Microsoft Work Trend Index (April 2025)	31.000 Beschäftigte in 31 Märkten	38 % der Führungskräfte erwarten, dass ihre Teams innerhalb von fünf Jahren Geschäftsprozesse mit KI neu gestalten

Das Muster ist klar. Wird KI in einen bestehenden Workflow eingefügt, spart sie ein paar Prozent Zeit, und diese Zeit fließt oft in andere Aufgaben: In den dänischen Daten geben die meisten Nutzerinnen und Nutzer an, die gesparte Zeit umzuverteilen. Wird der Workflow neu gestaltet, zeigen sich die Gewinne in den Ergebnissen. Ein Vorbehalt zu den McKinsey-Zahlen: Es handelt sich um selbstberichtete Umfragekorrelationen, und das Modell der Forschenden erklärt nur ein Fünftel der Variation in der berichteten Wirkung. Neugestaltung ist mit Wirkung verbunden, was nicht dasselbe ist wie der Nachweis, dass sie sie verursacht. Erst die kontrollierten Studien in Tabelle 1 machen die Richtung plausibel.

Was Workflow-Design tatsächlich umfasst

Die Beratungsstudie liefert das klarste Bild davon, was versierte KI-Nutzerinnen und -Nutzer anders machen. Die Forschenden beobachteten bei erfolgreichen Nutzern zwei deutlich unterschiedliche Muster:

• Zentauren teilten die Arbeit auf, indem sie „ihre Aktivitäten zur Lösungsfindung aufteilten und entweder an die KI oder an sich selbst delegierten“. Sie hielten eine klare Linie zwischen menschlichen und maschinellen Aufgaben.
• Cyborgs integrierten vollständig, indem sie „ihren Aufgabenfluss vollständig mit der KI verzahnten und fortlaufend mit der Technologie interagierten“.

Die Autorinnen und Autoren bezeichnen dies als frühe Analyse und haben nicht getestet, welches Muster besser abschneidet. Die Lehre lautet also nicht „Seien Sie ein Zentaur“ oder „Seien Sie ein Cyborg“. Sie lautet, dass erfolgreiche Nutzer eine bewusste Entscheidung über die Arbeitsteilung trafen, statt das Tool entweder alles oder nichts erledigen zu lassen.

McKinseys Daten aus 2025 weisen auf dieselbe Fähigkeit auf Organisationsebene hin: Eine der Praktiken, die High-Performer am stärksten auszeichnete, waren definierte Prozesse dafür, wann und wie Modell-Outputs menschlich validiert werden müssen. Das ist eine Workflow-Entscheidung, keine Tool-Funktion. Wir behandeln sie ausführlich in menschliche Aufsicht by Design.

Das Workflow Design Canvas

Das folgende Canvas übersetzt die Forschung in sechs Designentscheidungen, die Sie für jede wiederkehrende Arbeit treffen können. Es ist ein redaktioneller Rahmen von CEOtudent und nicht das Ergebnis einer einzelnen Studie; jedes Element ist mit der Evidenz verknüpft, die es begründet.

Tabelle 3. Das Workflow Design Canvas: sechs Entscheidungen (redaktioneller Rahmen von CEOtudent)

#	Entscheidung	Zu beantwortende Frage	Warum es wichtig ist (Evidenz)
1	Zerlegen	Welche einzelnen Schritte enthält diese Arbeit?	Gewinne sind aufgabenspezifisch; in der Schreibstudie sank die Entwurfszeit, während das Überarbeiten zunahm (Noy und Zhang)
2	Die Grenze kartieren	Ist das Modell bei jedem Schritt zuverlässig gut, unzuverlässig oder ungetestet?	Innerhalb der Grenze große Gewinne; außerhalb 19 Punkte weniger richtige Antworten (Dell’Acqua 2023)
3	Die Übergabe wählen	Die Arbeit aufteilen (Zentaur) oder fortlaufend verzahnen (Cyborg)?	Beide Muster traten bei erfolgreichen Nutzern auf (Dell’Acqua 2023)
4	Die Kontrollpunkte setzen	Wo prüft ein Mensch, und anhand welchen Maßstabs?	Definierte Validierungsprozesse zeichnen KI-High-Performer aus (McKinsey 2025)
5	Ehrlich messen	Woran erkennen Sie, dass es tatsächlich schneller oder besser ist?	Entwickler fühlten sich 20 % schneller und waren 19 % langsamer (METR 2025)
6	Festhalten und wiederverwenden	Welcher Prompt, welche Vorlage oder Checkliste sollte für das nächste Mal gespeichert werden?	Kleine individuelle Einsparungen summieren sich erst, wenn sie in den Prozess eingebaut werden (Humlum und Vestergaard)

Ein durchgerechnetes Beispiel: ein wöchentliches Markt-Briefing

Angenommen, Sie schreiben für Ihr Team jede Woche ein einseitiges Briefing über Entwicklungen in Ihrem Markt.

1. Zerlegen. Quellen sammeln, zentrale Fakten herausziehen, die Fakten prüfen, deuten, was sie für das Team bedeuten, schreiben, überarbeiten.
2. Die Grenze kartieren. Lange Dokumente zusammenzufassen liegt klar innerhalb der Fähigkeiten aktueller Modelle. Zu beurteilen, was für Ihr konkretes Team wichtig ist, liegt außerhalb. Die sachliche Genauigkeit von Zusammenfassungen ist unzuverlässig und muss daher geprüft werden.
3. Die Übergabe wählen. Im Zentauren-Stil: Das Modell fasst jede Quelle zusammen; Sie wählen die drei Entwicklungen aus, die zählen, und schreiben die Deutung.
4. Die Kontrollpunkte setzen. Jede Zahl im finalen Entwurf wird vor dem Versand mit ihrer Quelle abgeglichen. Das ist nicht verhandelbar, denn eine falsche Zahl kostet mehr Vertrauen, als die gesparte Zeit wert ist.
5. Ehrlich messen. Protokollieren Sie die tatsächliche Zeit vier Wochen vorher und vier Wochen nachher. Fragen Sie zwei Leserinnen oder Leser, ob das Briefing nützlicher geworden ist.
6. Festhalten und wiederverwenden. Speichern Sie den Zusammenfassungs-Prompt und die Faktencheck-Checkliste in einem Dokument, das Sie jede Woche öffnen.

Beachten Sie, dass nur Schritt 2 überhaupt Wissen über das Tool erforderte. Die anderen fünf betreffen die Arbeit.

Tool-Skill vs. Workflow-Skill: was Sie aufbauen sollten

Tabelle 4. Wo Sie Ihre Lernzeit investieren sollten (redaktioneller Rahmen von CEOtudent)

	Tool-Skill	Workflow-Skill
Was es ist	Ein bestimmtes Modell oder eine App gut bedienen	Entscheiden, wie die Arbeit zwischen Ihnen, der KI und anderen aufgeteilt wird
Haltbarkeit	Kurz: Tools und Oberflächen ändern sich alle paar Monate	Lang: überträgt sich auf neue Tools
Wie man es lernt	Tutorials, Dokumentation, Übung mit dem Tool	Die eigene Arbeit kartieren, Experimente, Ergebnisse messen
Evidenz für den Nutzen	Gering in der Beratungsstudie (etwa 93 % vs. 91 % erledigte Aufgaben mit Training)	Groß: der Unterschied zwischen Ergebnissen innerhalb und außerhalb der Grenze
Signal an Arbeitgeber	„Ich kenne Tool X“	„Ich habe Prozess Y neu gestaltet, und er dauert jetzt Z“

Das ist kein Argument gegen das Lernen von Tools. Sie können die Grenze (Entscheidung 2) nicht ohne praktische Erfahrung kartieren. Es ist ein Argument über die Gewichtung. Eine Stunde, in der Sie einen wiederkehrenden Workflow neu gestalten, lehrt Sie über das Tool in der Regel mehr als eine Stunde Tutorials, weil sie Sie zwingt herauszufinden, wo das Tool versagt.

Der CEO und der Student im Workflow-Design

Die CEO-Seite von CEOtudent ist die Verantwortung für das Ergebnis. Ein CEO fragt nicht, ob ein neues System beeindruckend ist; er fragt, ob es den Output, die Kosten oder das Risiko verändert. Die eigene Arbeit als eine Reihe von Prozessen zu behandeln, deren Neugestaltung man selbst verantwortet, ist derselbe Schritt im persönlichen Maßstab. Genau das belohnen Arbeitgeber zunehmend: In unserer Analyse der neuen Berufsbezeichnungen 2026 werden die am schnellsten wachsenden Rollen über Ergebnisse definiert, die KI mit hervorbringt, und nicht über Tools.

Die Student-Seite ist die experimentelle Gewohnheit. Workflow-Design ist kein einmaliger Plan, sondern eine Schleife: entwerfen, ausführen, messen, anpassen. Die Entwickler aus der METR-Studie sind hier eine Warnung. Ihr Gefühl, schneller zu sein, war selbstsicher und falsch. Der einzige Schutz ist Messen. Wenn Sie einen strukturierten Einstieg suchen, führt Sie das Workflow-Audit durch das Kartieren und Bewerten Ihrer aktuellen Arbeit, und der KI-Workflow in fünf Schichten zeigt, wie sich die Teile zu einem Arbeitstag zusammenfügen. Um ein neues Fachgebiet auf dieselbe Weise zu lernen, lesen Sie, wie Sie mit KI einen persönlichen Lehrplan aufbauen.

Häufig gestellte Fragen

Lohnt es sich noch, Prompt Engineering zu lernen?
Teilweise, ja. In der Beratungsstudie verbesserte ein kurzer Überblick über Prompt Engineering die Ergebnisse leicht. Die Gewinne waren jedoch klein im Vergleich zum Unterschied zwischen Aufgaben innerhalb und außerhalb der Fähigkeiten des Modells. Lernen Sie genug, um das Modell an Ihren eigenen Aufgaben zu testen, und investieren Sie den Rest in Workflow-Design.

Was ist die „zerklüftete Grenze“ (jagged frontier)?
Das ist der Begriff der Forschenden für die ungleichmäßige Grenze dessen, was KI gut kann. Aufgaben, die einem Menschen gleich schwierig erscheinen, können auf unterschiedlichen Seiten davon liegen. Der einzige verlässliche Weg, diese Grenze für Ihre Arbeit zu finden, besteht darin, das Modell an Ihren tatsächlichen Aufgaben zu testen und die Ergebnisse zu prüfen.

Warum wurden Entwickler mit KI langsamer?
Die METR-Forschenden untersuchten erfahrene Entwickler, die in großen, ausgereiften Projekten arbeiteten, die sie gut kannten, und hohe Qualitätsstandards hatten. In diesem Umfeld kostete das Prüfen und Korrigieren von KI-Output mehr Zeit, als es einsparte. Das Ergebnis ist spezifisch für dieses Umfeld, aber die Lehre, dass sich schneller fühlen nicht dasselbe ist wie schneller sein, gilt überall.

Wie fange ich an, meine eigenen KI-Workflows zu entwerfen?
Wählen Sie eine wiederkehrende Aufgabe, die mindestens eine Stunde pro Woche beansprucht. Gehen Sie die sechs Entscheidungen des Canvas durch, messen Sie die Zeit vier Wochen lang vorher und nachher, und behalten Sie die Version, die tatsächlich besser ist.

Muss ich programmieren können?
Nein. Der größte Teil des Canvas dreht sich darum, Arbeit aufzuteilen und zu prüfen. Automatisierungstools können später helfen, aber die Designentscheidungen kommen zuerst.

Quellen

1. Dell’Acqua, F., McFowland III, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., Lakhani, K. R. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Harvard Business School Working Paper 24-013.
2. Becker, J., Rush, N., Barnes, E., Rein, D. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR, arXiv:2507.09089.
3. Brynjolfsson, E., Li, D., Raymond, L. R. (2023). Generative AI at Work. NBER Working Paper 31161.
4. Noy, S., Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187-192.
5. Dell’Acqua, F. et al. (2025). The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise. NBER Working Paper 33641.
6. Bick, A., Blandin, A., Deming, D. J. (2025). The Rapid Adoption of Generative AI. NBER Working Paper 32966.
7. Humlum, A., Vestergaard, E. (2026). Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. NBER Working Paper 33777 (überarbeitet im März 2026).
8. McKinsey & Company (2025). The state of AI: How organizations are rewiring to capture value (März 2025); The state of AI in 2025: Agents, innovation, and transformation (November 2025).
9. Microsoft (2025). 2025 Work Trend Index: The Year the Frontier Firm Is Born. 23. April 2025.

---

Dieser Inhalt wurde nach eingehender Recherche mit Unterstützung von KI zusammengestellt und vom CEOtudent-Redaktionsteam geschrieben und für die Veröffentlichung aufbereitet.

This post is also available in: