KI-Expertise ist der wahre Multiplikator — nicht Prompt Engineering

Innerhalb von 24 Stunden kamen diese Woche drei Signale aus völlig unterschiedlichen Richtungen — und sie erzählen dieselbe Geschichte.

Signal 1: Der einflussreiche deutsche KI-Investor Fabian Westerheide (Rise of AI) schreibt: „Firmen haben kein KI-Problem — sie wissen nur nicht, wie sie KI implementieren sollen."

Signal 2: Ein OpenAI-Manager warnt öffentlich: „KI macht Gründen zu einfach. Gründer überspringen die Fundamentals." Die Warnung kommt von innen — aus dem Unternehmen, das KI so zugänglich gemacht hat wie niemand sonst.

Signal 3: Der mit Abstand wichtigste Artikel auf HackerNews diese Woche: „LLMs reward expertise" von Sean Goedecke. Seine Analyse zeigt messbar: Nicht Prompt Engineering, sondern tiefe fachliche Expertise ist der entscheidende Multiplikator im Umgang mit Sprachmodellen.

Drei Stimmen. Eine Botschaft.

Was Terence Taos ChatGPT-Konversation über KI-Nutzung verrät

Goedecke illustriert seine These an einem prominenten Beispiel: Fields-Medaillen-Träger Terence Tao nutzt ChatGPT zur Erforschung der Jacobian-Vermutung — eines der härtesten ungelösten Probleme der Mathematik.

Was Tao nicht macht: lange Prompt-Chains schreiben, elaborierte Rollenzuweisungen formulieren, „Chain-of-Thought"-Instruktionen geben. Seine Prompts sind kurz, fast beiläufig. Er schreibt Dinge wie „das sieht komplexer aus als erhofft" und widerspricht dem Modell subtil. Er macht eigene gedankliche Sprünge und folgt fast nie den Vorschlägen des Modells.

Das Wissen steckt bereits im Modell — aber es braucht einen sehr schlauen Menschen, um es herauszuholen.

Mit anderen Worten: Tao bringt 40 Jahre mathematische Spitzenforschung mit. Das LLM multipliziert diese Expertise — aber es kann sie nicht ersetzen.

Das ist die zentrale Einsicht, die Westerheides Diagnose und die OpenAI-Warnung bestätigen: KI macht Expertise nicht überflüssig. Sie macht sie zum entscheidenden Wettbewerbsvorteil.

Die Implementierungslücke: Deutschlands unterschätztes Problem

Westerheides Beobachtung trifft den Kern dessen, was wir bei nAIce täglich im Mittelstand sehen. Deutsche Unternehmen haben die Modelle. Sie haben Zugang zu GPT, Claude, DeepSeek, Qwen — oft zu Preisen nahe Null. Die Technologie ist da.

Aber sie wissen nicht:

• Welches Modell für welche Aufgabe? (GPT für Kreativaufgaben, Claude für technische Analyse, DeepSeek für strukturierte Prozesse)
• Welcher Prompt-Stil liefert verlässliche Ergebnisse — nicht nur beeindruckende Demos?
• Wie integriert man KI in bestehende ERP-, DMS- und Qualitätsmanagement-Systeme?
• Wie validiert man KI-Output in regulierten Umgebungen (ISO 9001, GMP, Medizintechnik)?

OpenAI's eigener Manager bestätigt indirekt, dass der Markt das Problem verschärft: Wenn KI „zu einfach" wird, entstehen Produkte, die in Demos glänzen — aber in der Produktion scheitern. Weil sie die Fundamentals überspringen.

Prompt Engineering ist eine Übergangstechnologie

Der Hype um „Prompt Engineering" als Karrierepfad war ein Symptom dafür, dass KI-Modelle noch nicht gut genug waren. Mit jedem Modell-Release werden sie besser darin, Intention zu verstehen — auch ohne perfekt konstruierte Prompts.

Was nicht besser wird: Die Fähigkeit eines LLMs, tiefes Branchenwissen zu ersetzen.

Ein LLM weiß nicht:

• Dass die Angebotserstellung im Maschinenbau auf DIN 276 basiert
• Dass in der Lebensmittelproduktion HACCP-Dokumentation gesetzlich vorgeschrieben ist
• Dass Speditionskalkulationen den Mautindex, Dieselpreisklauseln und ADR-Gefahrgutklassen berücksichtigen müssen
• Dass ein Verpackungsbetrieb FIFO-Puffer für Wellpappe anders dimensioniert als einer für flexible Folien

Das weiß ein erfahrener Produktionsleiter mit 20 Jahren Industrie-Erfahrung. Deshalb ist er der Multiplikator. Das LLM ist das Werkzeug. Die Kombination — nicht das Modell allein — liefert den Wettbewerbsvorteil.

Was das für nAIce-Kunden bedeutet

Bei nAIce bauen wir KI-Agenten nicht als generische Prompt-Maschinen. Wir bauen sie als vertikale Lösungsschicht: Domänenwissen als Code. Branchenlogik als Konfiguration. Validierungsregeln als Test-Suite.

Der nAIce-Agent für Maschinenbau weiß, dass Technische Dokumentation nach VDI 4500 strukturiert ist. Der Agent für Spedition kennt Incoterms 2020 und Frachtpapiere. Der Agent für die Lebensmittelindustrie validiert Allergen-Deklarationen und Los-Rückverfolgbarkeit.

Das ist der Unterschied zwischen „KI kann Texte schreiben" und „KI erledigt Routineaufgaben mit der Präzision eines Branchenexperten" — und entlastet echte Experten für strategische Arbeit.

Fazit: Jetzt in Implementierungskompetenz investieren

Drei Signale, ein Handlungsimperativ für deutsche Unternehmen:

1. KI-Modelle sind Commodity — der Zugang ist gratis oder kostet Cent-Beträge
2. Domain-Expertise wird zum Multiplikator — je tiefer das Branchenwissen, desto höher die Wertschöpfung durch KI
3. Implementierungskompetenz wird zum Bottleneck — wer heute in die Integration von KI in bestehende Prozesse investiert, sichert den Vorsprung von morgen

Westerheide sagt es klar: Das Problem ist nicht die Technologie. OpenAI's Manager warnt vor oberflächlichem KI-Einsatz. Und die Daten aus der Mathematik-Forschung zeigen: Erst echte Expertise macht KI produktiv.

Die Frage ist nicht mehr, ob Unternehmen KI einsetzen sollen. Die Frage ist: Wer bringt die tiefste Branchenexpertise mit, um KI zu orchestrieren?