KI in Forschungsdiensten: Von individuellem Prompting zu teamfähigen KI-Workflows

← Zurück zu Ressourcen

Viele Diskussionen über KI beginnen mit der Frage nach dem richtigen Tool. In Forschungsdiensten und Grants Offices ist das jedoch selten die erste Frage.

Bevor ein Antragstext, eine Programmausschreibung oder ein internes Dokument in ein KI-System eingegeben wird, muss etwas Grundlegenderes geklärt sein: Welche Informationen dürfen in welchem Tool für welche Aufgabe verwendet werden – und wie wird der Output anschliessend genutzt?

Gute KI-Arbeit beginnt nicht mit einem Tool. Sie beginnt mit einem verantwortbaren Umgang mit Wissen.

Forschungsdienste arbeiten mit sensiblen, komplexen und oft zeitkritischen Informationen: Förderbedingungen, Antragsentwürfen, unveröffentlichten Forschungsideen, Fristen, Kriterien, FAQs, internen Einschätzungen und Beratungssituationen. KI kann hier sehr nützlich sein. Sie kann Wissen strukturieren, Antragsteile kritisch gegenlesen, Argumentationslücken sichtbar machen, Formulierungen schärfen oder Beratungsgespräche vorbereiten.

Der grösste Nutzen entsteht aber nicht dadurch, dass einzelne Mitarbeitende besonders gute Prompts schreiben. Er entsteht, wenn Teams gemeinsame, verantwortbare KI-Arbeitsweisen entwickeln.

Die Kernfrage lautet deshalb nicht: «Wie nutzen wir ChatGPT möglichst geschickt?»

Die Kernfrage lautet: Wie befähigen wir Mitarbeitende, KI im Forschungsdienst sicher, konsistent und fachlich sinnvoll einzusetzen?

AI Literacy beginnt vor dem ersten Prompt

AI Literacy bedeutet in Forschungsdiensten nicht, möglichst viele KI-Tools zu kennen. Es bedeutet, einschätzen zu können, was KI leisten kann, was sie nicht leisten darf und welche Verantwortung trotz KI-Unterstützung beim Menschen bleibt.

Ein KI-Assistent weiss nicht automatisch, ob ein Förderantrag vertraulich ist. Er erkennt nicht zuverlässig, ob ein Text personenbezogene Daten enthält, ob eine Forschungsidee noch unveröffentlicht oder potenziell schutzwürdig ist, ob institutionelle Regeln gelten oder ob ein bestimmtes Tool für diese Art von Material zugelassen ist.

Diese Einordnung muss vor der Nutzung geschehen.

Deshalb beginnt professionelle KI-Nutzung nicht mit der Frage nach dem besten Prompt. Sie beginnt mit vier einfachen, aber entscheidenden Fragen:

• Material: Welche Informationen liegen vor?
• Tool: In welchem KI-System sollen sie verarbeitet werden?
• Aufgabe: Was soll die KI genau tun?
• Output: Wie wird das Ergebnis verwendet?

Diese vier Dimensionen bilden den Ausgangspunkt verantwortungsvoller KI-Nutzung. Erst wenn sie geklärt sind, wird gutes Prompting relevant. Und erst auf dieser Grundlage lassen sich teamfähige KI-Workflows entwickeln.

Hier verbinden sich KI-Ampel, 4-Fragen-Check, gutes Prompting und Workflow-Design zu einem gemeinsamen Modell: Zuerst wird geklärt, ob eine KI-Nutzung verantwortbar ist. Dann wird präzise mit der KI kommuniziert. Danach kann ein wiederholbarer Arbeitsprozess entstehen.

AI Literacy ist deshalb kein Kapitel neben dem Workflow. Sie ist die Linse, durch die der gesamte Workflow gelesen werden muss.

Warum Forschungsdienste besondere KI-Workflows brauchen

Forschungsdienste, Grants Offices und Research Support Services arbeiten an einer anspruchsvollen Schnittstelle. Sie unterstützen Forschende, übersetzen Förderlogiken in handlungsnahe Beratung, prüfen Antragsentwürfe, erklären Kriterien, begleiten Fristen und helfen, Forschungsideen überzeugend darzustellen.

Ein Förderantrag ist dabei nicht einfach ein Text. Er ist ein wissenschaftlicher, argumentativer und strategischer Zusammenhang. Es geht um Relevanz, Beitrag, Methodik, Machbarkeit, Risiken, Wirkung und Passung zu einem bestimmten Fördergefäss.

KI kann solche Arbeit unterstützen. Aber sie braucht Kontext.

Ein generisches KI-Tool kennt die spezifische Förderlogik nicht. Es kennt keine internen Beratungsstandards. Es weiss nicht, ob ein Output für eine interne Vorprüfung, ein Beratungsgespräch oder eine externe Kommunikation gedacht ist. Ohne klare Rolle, kuratiertes Wissen und menschliche Prüfung bleibt KI-Nutzung zufällig: manchmal hilfreich, manchmal oberflächlich, manchmal riskant.

Aus meiner Arbeit mit Forschungsdiensten zeigt sich immer wieder: Der Engpass ist selten die KI selbst. Der Engpass ist meist ein fehlender gemeinsamer Arbeitsprozess.

Genau deshalb brauchen Forschungsdienste nicht nur Toolkompetenz. Sie brauchen teamfähige KI-Workflows.

Darf ein Grants Office KI für Förderanträge nutzen?

Die kurze Antwort lautet: Ja, aber nicht voraussetzungslos.

KI kann ein Grants Office sinnvoll unterstützen, wenn Material, Tool, Aufgabe und Output vorab geklärt sind. Ein öffentliches Informationsblatt ist anders zu behandeln als ein vertraulicher Antragstext. Ein institutionell geprüftes Tool ist anders zu bewerten als ein privater Account. Eine sprachliche Überarbeitung ist anders einzuordnen als eine Bewertung. Eine interne Arbeitshilfe ist anders zu behandeln als ein Output, der eine Entscheidung beeinflusst.

KI eignet sich besonders für unterstützende Aufgaben: Struktur prüfen, Argumentationslücken sichtbar machen, Förderkriterien in Prüffragen übersetzen, Beratungsgespräche vorbereiten oder Formulierungen verständlicher machen.

Nicht geeignet ist KI dort, wo sie Entscheidungen ersetzt, Anträge rankt, Gutachten vortäuscht oder vertrauliche Unterlagen in ungeprüften Tools verarbeitet.

Die sinnvolle Frage lautet deshalb nicht: «KI ja oder nein?»

Sondern: Welche KI-Nutzung ist für welches Material, welches Tool, welche Aufgabe und welchen Output verantwortbar?

Das Problem individueller KI-Nutzung

Viele Organisationen beginnen mit individueller KI-Nutzung. Eine Person experimentiert mit ChatGPT und erzielt sehr brauchbare Ergebnisse. Eine andere erhält schwache Antworten, weil sie unsicher promptet. Eine dritte nutzt KI gar nicht. Eine vierte verwendet KI sehr frei und erzeugt dadurch Governance-Risiken.

So entsteht ein Qualitätsproblem.

Wenn KI-Nutzung stark von einzelnen Prompting-Fähigkeiten abhängt, werden Ergebnisse uneinheitlich. Das ist in Forschungsdiensten besonders heikel, weil Förderberatung konsistent, nachvollziehbar und verantwortbar sein muss.

Wer KI nur individualisiert einführt, individualisiert auch Qualitätsunterschiede.

Ein guter KI-Workflow reduziert diese Abhängigkeit von individuellen Prompting-Talenten. Nicht jede Person muss Prompting-Expert:in werden, damit ein Forschungsdienst gute KI-Ergebnisse erzielen kann. Aber das Team braucht gemeinsame Grundlagen: Welche Materialien dürfen verwendet werden? Welche Aufgaben sind geeignet? Welche Outputs müssen geprüft werden? Welche roten Linien gelten?

Gut gestaltete KI-Assistenten und gemeinsame Arbeitsabläufe ersetzen keine Fachkompetenz. Sie können aber helfen, wiederkehrende Aufgaben mit ähnlicher Sorgfalt zu bearbeiten. Dadurch entsteht Qualitätssicherung nicht erst am Ende, sondern im Arbeitsprozess selbst.

Der Sollberger AI-Literacy-Workflow

In meiner Arbeit mit Forschungsdiensten hat sich ein einfaches Muster bewährt, das ich als Sollberger AI-Literacy-Workflow beschreibe:

Material einordnen → Wissen kuratieren → Kontext verdichten → KI-Assistent gezielt einsetzen → Output prüfen → Verantwortung übernehmen

Dieses Modell hilft, KI nicht als einzelnes Tool zu betrachten, sondern als Teil eines verantwortbaren Arbeitsprozesses.

Am Anfang steht die Materialeinordnung. Ist das Dokument öffentlich, intern, vertraulich, personenbezogen, unveröffentlicht oder schutzwürdig? Darf es in diesem Tool verarbeitet werden? Welche institutionellen Regeln gelten?

Danach folgt die Wissenskuratierung. Welche Ausschreibungen, Richtlinien, FAQs, Kriterien, internen Hinweise oder Beispieltexte sind relevant? Welche Version ist aktuell? Welche Informationen sind hilfreich, welche sind überholt oder unsicher?

Erst dann lohnt es sich, Kontext zu verdichten. Aus vielen verstreuten Dokumenten wird ein handhabbarer Arbeitskontext: zentrale Anforderungen, Begriffe, Kriterien, Ausschlüsse und Fallstricke. Ein KI-gestütztes Wissenswerkzeug, zum Beispiel NotebookLM, kann dabei unterstützen. Entscheidend ist aber nicht das konkrete Tool, sondern das Prinzip: Wissen wird zuerst geordnet, bevor ein KI-Assistent damit arbeitet.

Im nächsten Schritt kann ein KI-Assistent gezielt eingesetzt werden. Je nach Aufgabe kann das eine Reviewer-Perspektive, eine Schreib- und Strukturhilfe, eine Förderlogik-Erklärung oder eine Vorbereitung für Beratungsgespräche sein.

Danach folgt die Prüfung. Ist der Output fachlich korrekt? Ist er angemessen? Ist er vollständig? Hat die KI etwas erfunden, übertrieben oder falsch gewichtet?

Und am Ende steht die Verantwortung: Wer prüft, entscheidet, kommuniziert und trägt die Folgen der Nutzung?

Betrachtet man diese sechs Schritte gemeinsam, wird deutlich: Der eigentliche Mehrwert entsteht nicht durch den KI-Assistenten allein. Er entsteht dadurch, dass Wissen, Rollen, Prüfschritte und Verantwortung systematisch miteinander verbunden werden.

Von verstreuten Dokumenten zur Single Source of Truth

Ein häufiges Problem in Forschungsdiensten ist nicht mangelndes Wissen, sondern verteiltes Wissen. Informationen liegen in Programmausschreibungen, Reglementen, FAQs, Präsentationen, E-Mails, internen Notizen und Erfahrungswissen. Für Grants Advisors ist es oft anspruchsvoll, daraus schnell eine verlässliche Orientierung zu gewinnen.

Hier kann eine Single Source of Truth hilfreich sein.

Damit ist kein magisches Masterdokument gemeint, das automatisch «die Wahrheit» enthält. Eine Single Source of Truth ist eine geprüfte Arbeitsgrundlage: ein kompaktes Dokument, das zentrale Anforderungen, Kriterien, Begriffe, Ausschlüsse, Fristen und Hinweise zu einem Fördergefäss oder Verfahren zusammenführt.

Gerade im Zusammenspiel mit KI ist das wertvoll. Ein allgemeiner Reviewer- oder Grants-Advisor-Assistent muss nicht für jedes Fördergefäss dauerhaft umgebaut werden. Stattdessen kann ein geprüftes SSOT-Dokument im Chat als temporärer Kontext dienen. So bleibt der Assistent in seiner Grundrolle stabil, kann aber situativ spezifischer arbeiten.

Nicht jedes Spezialwissen gehört dauerhaft in die Knowledge Base eines Assistenten. Für temporäre Förderkontexte kann ein geprüftes Kontextdokument im Chat der bessere Weg sein.

Die Grenze bleibt klar: Eine Single Source of Truth ist eine Arbeitsgrundlage, keine ungeprüfte Wahrheit. Sie muss fachlich geprüft, aktuell gehalten und bei Unsicherheiten mit den Originalquellen abgeglichen werden.

Wie KI-Assistenten Qualität im Team unterstützen können

Ein gut gestalteter Custom GPT oder domänenspezifischer KI-Assistent ist nicht einfach ein Chatbot. Er kann eine Rolle, eine Tonalität, typische Prüffragen, Qualitätskriterien, Grenzen und Arbeitslogik enthalten.

Für ein Grants Office kann das bedeuten: Der Assistent weiss, ob er als kritische Reviewer-Perspektive, als Strukturhilfe, als Schreibunterstützung oder als Vorbereitung für ein Beratungsgespräch agieren soll. Er bringt eine Grundlogik mit, statt jedes Mal völlig von der individuellen Prompting-Kompetenz der nutzenden Person abzuhängen.

Das kann Qualitätssicherung unterstützen.

Nicht, weil ein KI-Assistent perfekte Qualität garantiert. Sondern weil er wiederkehrende Qualitätskriterien und Prüfschritte in den Arbeitsprozess einbaut. Mehrere Mitarbeitende können mit ähnlichen Rollen, ähnlichen Grenzen und ähnlichen Prüflogiken arbeiten.

So entsteht eine gemeinsame Praxis. AI Literacy wird nicht nur geschult, sondern im Alltag angewendet.

Qualität entsteht aus dem Zusammenspiel von fachlicher Expertise, kuratiertem Kontext, geeigneten Werkzeugen und menschlicher Urteilskraft.

Warum dieser Ansatz organisationsweit skaliert

Nicht jede Person in einem Forschungsdienst muss Prompt Engineer werden. Aber alle brauchen dieselben Leitplanken.

Welche Informationen dürfen verwendet werden? Welche Aufgaben sind geeignet? Welche Outputs müssen geprüft werden? Welche roten Linien gelten? Wie wird dokumentiert, was die KI geleistet hat und was nicht?

Wenn diese Fragen nur individuell beantwortet werden, entstehen individuelle Risiken und individuelle Qualitätsunterschiede. Wenn sie gemeinsam geklärt werden, entstehen Standards.

Wer nur Tools einführt, skaliert Nutzung. Wer gemeinsame Workflows entwickelt, skaliert Qualität.

Gute KI-Workflows sind wie ein Geländer: Sie nehmen Mitarbeitenden die Verantwortung nicht ab, helfen aber, sich sicherer durch komplexe Arbeitsprozesse zu bewegen.

Das ist der entscheidende Unterschied zwischen Toolnutzung und Organisationsentwicklung.

Teamfähige KI-Workflows schaffen keine starre Automatisierung. Sie schaffen eine gemeinsame Arbeitsgrundlage. Mitarbeitende bleiben fachlich verantwortlich, arbeiten aber mit ähnlichen Rollen, ähnlichen Prüfschritten und ähnlichen Qualitätskriterien.

So kann KI-Nutzung in einem Forschungsdienst skalieren, ohne die Verantwortung zu verwässern.

Drei Praxisbausteine für Grants Offices

Aus der Arbeit mit Forschungsdiensten zeigen sich drei Arbeitsmuster, die besonders hilfreich sein können. Sie sind keine Kundenreferenzen, sondern anonymisierte Praxisbausteine.

Reviewer-Assistent für Grants Advisors

Ein interner Reviewer-Assistent kann Antragsteile kritisch, aber konstruktiv gegenlesen. Er simuliert eine externe Reviewer-Perspektive: Ist die Argumentation klar? Wird der wissenschaftliche Beitrag deutlich? Gibt es Lücken? Ist die Methodik nachvollziehbar? Werden Risiken adressiert? Ist der Impact überzeugend, ohne übertrieben zu wirken?

Für Grants Advisors kann eine solche Perspektive sehr wertvoll sein. Sie hilft, Beratungsgespräche vorzubereiten, Schwächen im Text sichtbar zu machen und Rückmeldungen konsistenter zu formulieren.

Die Grenze ist entscheidend: Ein solcher Assistent ist kein Reviewer. Er erstellt kein Gutachten. Er rankt keine Anträge. Er trifft keine Förderentscheidung. Er simuliert eine Perspektive, die von Fachpersonen geprüft und eingeordnet werden muss.

Antragsschreib-Assistent für Forschende

Eine zweite sinnvolle Assistenzrolle richtet sich an Forschende selbst. Ein Antragsschreib-Assistent kann helfen, Forschungsfragen zu schärfen, Abschnitte besser zu strukturieren, Relevanz und Beitrag klarer darzustellen oder die Verständlichkeit eines Textes zu verbessern.

Das Ziel ist nicht, dass KI einen Antrag «schreibt». Ein guter Antragsschreib-Assistent ersetzt keine wissenschaftliche Idee, keine methodische Substanz und keine Verantwortung der Forschenden. Er hilft vielmehr, vorhandene Ideen klarer, kohärenter und prüfbarer zu formulieren.

Das kann auch die Grants-Beratung verbessern. Forschende kommen mit besseren Erstentwürfen, präziseren Fragen und einem klareren Verständnis dafür, wie ihr Antrag aus einer Reviewer-Perspektive gelesen werden könnte.

SSOT-Workflow für spezifische Förderkontexte

Der dritte Baustein betrifft den Umgang mit komplexen Fördergefässen. Wenn viele Programmdokumente, Kriterien, FAQs und interne Hinweise zusammenkommen, ist es oft wenig sinnvoll, direkt mit einem Antragstext in einen KI-Chat zu gehen.

Professioneller ist ein zweistufiger Workflow. Zuerst werden die relevanten Unterlagen mit einem geeigneten Wissenswerkzeug strukturiert. Daraus entsteht ein geprüftes Single-Source-of-Truth-Dokument. Dieses Dokument kann anschliessend einem allgemeinen Reviewer- oder Grants-Advisor-Assistenten als temporärer Kontext dienen.

So lässt sich ein Assistent situativ auf ein konkretes Fördergefäss fokussieren, ohne seine Grundlogik dauerhaft zu verändern.

Der Nutzen liegt nicht nur in Effizienz. Der Nutzen liegt auch in besserer Nachvollziehbarkeit: Das Team arbeitet mit einem gemeinsamen Kontext, statt dass jede Person eigene Dokumentauszüge, eigene Zusammenfassungen und eigene Prompts verwendet.

Was KI in der Förderberatung leisten kann

Sinnvoll eingesetzt kann KI in Forschungsdiensten viele unterstützende Aufgaben übernehmen. Sie kann Antragsteile aus einer Reviewer-Perspektive gegenlesen, Argumentationslücken sichtbar machen, Struktur und Kohärenz prüfen, Förderkriterien in verständliche Prüffragen übersetzen oder Programmunterlagen verdichten.

Sie kann Beratungsgespräche vorbereiten, Forschende beim Erstentwurf unterstützen und Formulierungen präzisieren. Auch Kommunikations- und Informationsmaterialien können konsistenter werden, wenn Terminologie, Tonalität und Zielgruppen klar definiert sind.

Diese Aufgaben haben eines gemeinsam: Sie unterstützen menschliche Arbeit. Sie machen Prozesse klarer, Rückmeldungen strukturierter und Beratung besser vorbereitet.

Was KI nicht leisten darf

Gerade weil KI in der Forschungsförderung nützlich sein kann, müssen ihre Grenzen klar sein.

KI darf keine Förderentscheidungen treffen. Sie darf keine Anträge ranken. Sie darf keine finale Bewertung ersetzen. Sie darf keine Gutachten vortäuschen. Sie darf keine vertraulichen Unterlagen in ungeprüften Tools verarbeiten. Sie darf keine erfundenen Stärken, Risiken oder Impact-Versprechen erzeugen.

Je näher ein KI-Output an Bewertung, Ranking, Auswahl oder Entscheidung rückt, desto enger müssen die Grenzen sein.

Ein Reviewer-Assistent ist hilfreich, wenn er kritische Fragen stellt. Er wird problematisch, wenn seine Einschätzung als Gutachten oder Entscheidungsgrundlage missverstanden wird.

Ein Schreibassistent ist hilfreich, wenn er Struktur und Verständlichkeit verbessert. Er wird problematisch, wenn er wissenschaftliche Substanz ersetzt oder übertriebene Wirkungsaussagen erzeugt.

Ein SSOT-Dokument ist hilfreich, wenn es Kontext verdichtet. Es wird problematisch, wenn es ungeprüft als letzte Wahrheit behandelt wird.

Rote Linien: Material, Tool, Aufgabe und Output

Für Forschungsdienste ist eine einfache, aber konsequente Vorprüfung zentral. Vor jeder KI-Nutzung sollten vier Dimensionen geklärt werden: Material, Tool, Aufgabe und Output.

Ein öffentliches Informationsblatt ist anders zu behandeln als ein vertraulicher Antragstext. Ein institutionell geprüftes Tool ist anders zu bewerten als ein privater Account. Eine sprachliche Überarbeitung ist anders einzuordnen als eine Bewertung. Eine interne Arbeitshilfe ist anders zu behandeln als ein Output, der eine Entscheidung beeinflusst.

Hier knüpfen KI-Ampel und 4-Fragen-Check direkt an. Sie helfen, vor dem Prompt zu klären, ob eine konkrete KI-Nutzung verantwortbar ist. Diese Klärung ist kein bürokratisches Hindernis. Sie ist die Voraussetzung dafür, dass KI im Forschungsdienst professionell eingesetzt werden kann.

Erst danach wird Prompting relevant: Wenn Material, Tool, Aufgabe und Output geklärt sind, geht es darum, mit der KI präzise zu kommunizieren – mit klarer Rolle, Aufgabe, Kontext, Material, Format, Grenzen und Prüfkriterien.

So entsteht ein zusammenhängender Lernpfad: Die KI-Ampel hilft bei der ersten Einordnung. Der 4-Fragen-Check klärt Material, Tool, Aufgabe und Output vor dem Prompt. Der Prompting-Artikel zeigt, wie gute Kommunikation mit KI gelingt, wenn die Nutzung verantwortbar ist. Der hier beschriebene Sollberger AI-Literacy-Workflow zeigt, wie daraus teamfähige Arbeitsprozesse in Forschungsdiensten entstehen.

Teamfähige KI-Workflows sind Organisationsentwicklung

Der Übergang von individueller KI-Nutzung zu teamfähigen Workflows ist mehr als eine technische Verbesserung. Er ist Organisationsentwicklung.

Ein Forschungsdienst, der KI verantwortungsvoll nutzen will, muss nicht nur Tools auswählen. Er muss gemeinsame Begriffe entwickeln, rote Linien klären, Arbeitsweisen testen, Mitarbeitende befähigen und Verantwortung sichtbar halten.

AI Literacy bedeutet in diesem Kontext: Mitarbeitende können KI verstehen, anwenden, prüfen und begrenzen. Sie wissen, wann KI hilfreich ist, wann Vorsicht nötig ist und wann eine Aufgabe nicht an KI delegiert werden darf.

Der Fortschritt liegt deshalb nicht darin, dass einzelne Personen bessere Prompts schreiben. Der Fortschritt liegt darin, dass Teams bessere, prüfbare und verantwortbare KI-Arbeitsweisen entwickeln.

Fazit

KI kann Forschungsdienste und Grants Offices wirksam unterstützen. Aber nicht als magische Abkürzung, nicht als Ersatz für Grants Advisors und nicht als automatisierte Entscheidungsinstanz.

Der eigentliche Nutzen entsteht, wenn Organisationen ihre Arbeitsprozesse ernst nehmen: Material einordnen, Wissen kuratieren, Kontext verdichten, KI-Assistenten gezielt einsetzen, Outputs prüfen und Verantwortung übernehmen.

Custom GPTs, Wissenswerkzeuge oder andere KI-Lösungen können dabei wichtige Bausteine sein. Doch Qualität entsteht nicht im Tool allein. Qualität entsteht aus dem Zusammenspiel von fachlicher Expertise, kuratiertem Kontext, geeigneten Werkzeugen, gemeinsamer Praxis und menschlicher Urteilskraft.

Für Forschungsdienste ist das eine grosse Chance: KI-Nutzung muss nicht von einzelnen Prompting-Talenten abhängen. Sie kann zu einer teamfähigen, verantwortbaren und professionellen Arbeitsweise werden.

Dieser Artikel ist damit auch ein Ausgangspunkt für weitere Vertiefungen: Wann lohnen sich domänenspezifische KI-Assistenten wirklich? Wie entsteht eine gute Single Source of Truth? Welche AI-Literacy-Kompetenzen brauchen Forschungsdienste konkret? Diese Fragen gehören zum selben Themenfeld: KI nicht isoliert als Tool zu betrachten, sondern als Teil verantwortbarer Organisationspraxis.