Die Energiewirtschaft steht unter einem doppelten Druck: Einerseits steigen Komplexität und Regulierung, andererseits wachsen die Erwartungen an Geschwindigkeit, Effizienz und Service. All das bei zunehmendem Fachkräftemangel.
In genau diesem Spannungsfeld wirkt Künstliche Intelligenz als echter Wettbewerbsfaktor, -vorteil sogar. Nicht, weil „die KI“ alles per Knopfdruck übernimmt, sondern weil Unternehmen, die KI wirksam (!) einführen, schneller lernen, besser entscheiden und reibungsloser umsetzen können.
Wichtig dabei: KI berechnet plausible Antworten, nicht automatisch richtige. Sie kann überzeugend klingen und trotzdem falsch liegen. Und KI ist nur so gut wie das, was wir ihr geben. Output-Qualität ist selten eine reine Modell-Frage. Entscheidend bleibt das alte Mantra aus der Datenverarbeitung: „Sh*t in, sh*t out!“
Das GenAI-Dreieck: Model, Prompt, Context
Das zu verstehen, ist der Startpunkt für AI Enablement, also das Befähigen zum Umgang mit der Technologie. Dazu hilft auch das GenAI Dreieck. Es beschreibt drei Elemente, die gemeinsam darüber entscheiden, ob KI-Ergebnisse robust und entscheidungsrelevant sind:
- Model: Die technische Fähigkeit, was das System grundsätzlich kann.
- Prompt: Der Arbeitsauftrag, was genau produziert werden soll, in welcher Struktur, für welches Ziel.
- Context: Der Rahmen, also Hintergrundinfos, Daten, Zielgruppe, Constraints, Definition von Qualität und Risiken.
Wenn eines davon fehlt, bekommt man bestenfalls „interessante“ Ergebnisse, aber keine verlässlichen. Gerade in der Energiewirtschaft ist Kontextpräzision besonders wirkungsvoll: Wer strukturierte Daten, klare Stakeholder-Perspektiven, Materialitätsgrenzen und Compliance-Leitplanken mitgibt, erhöht die Qualität oft stärker, als es ein Modellwechsel je könnte.
Das GenAI-Dreieck zeigt: KI wird dann wertvoll, wenn Menschen verstehen, wie man mit dem System arbeitet. In vielen Organisationen läuft es oft jedoch so: Tools werden eingekauft, Lizenzen verteilt, Pilotprojekte gestartet. Danach passiert etwas Frustrierendes: Ein paar Early Adopters experimentieren, der Rest bleibt Zuschauer. Es entsteht Aktivität, aber keine Wertschöpfung. KI wird zum „Projekt“, statt Teil der Arbeit. Genau deshalb ist AI Enablement der eigentliche Engpass, egal in welcher Branche.
Praxisbeispiel: Wie ein Energieunternehmen KI wirklich „auf die Straße“ bringt
Ein Beispiel, wie AI Enablement in der Energiewirtschaft aussehen kann: Ein Energieunternehmen (Versorger, KRITIS) hatte früh beschlossen, KI strategisch einzusetzen. Trotzdem fehlte ein gemeinsamer Startpunkt. Der Betriebsrat hatte die Nutzung zunächst nur für das Management genehmigt. Führungskräfte waren neugierig, aber
unsicher. Daten lagen zentral, Wissen in Silos. Und obwohl moderne KI-Tools wie MS Copilot lizenziert waren, nutzte kaum jemand das Potenzial.
Der Durchbruch kam nicht durch ein Tool-Training, sondern durch einen strategischen Workshop: Im „AI Strategy & Vision Workshop“ ging es um Haltung und Verständnis. Was ist die Natur der Technologie? Was kann KI und wo irrt sie? Dieses gemeinsame Fundament war die Grundlage für alles Weitere.
Darauf folgten Interviews und eine Roadmap, die Orientierung statt Überforderung schuf. Dann begann der Rollout, aber anders als üblich:
- keine PDF-Anleitung, sondern interaktive Workshops
- ein praxistaugliches Starter Kit
- eine interne GenAI-Community
- enge Abstimmung zwischen HR, IT, Betriebsrat und Geschäftsführung
Der Ansatz ging auf: Erste Use Cases laufen stabil, von HR-Analysen über Vertriebsunterlagen bis hin zu operativen Berichten. Das Programm wird ausgebaut, inklusive einer eigenen Rolle, die sich ausschließlich um AI Enablement kümmert.
Die deutlichste Veränderung war nicht ein KPI, sondern eine neue Haltung: Mitarbeitende teilen Aha-Momente, Führungskräfte treiben Use Cases aktiv voran, und aus „Da müsste man mal was machen“ wird ein selbstverständlicher Teil der täglichen Arbeit.
Von Tool-Tourismus zur Wertschöpfung: zwei Skills, die jetzt zählen
Wenn Unternehmen KI nachhaltig nutzen wollen, brauchen Mitarbeitende zwei Fähigkeiten:
- Learn to Learn: KI verändert sich so schnell, dass einmalige Trainings nicht reichen. Entscheidend ist die Fähigkeit, kontinuierlich zu lernen, zu testen und Erkenntnisse zu teilen.
- Agentic Thinking: Wer KI nur wie eine Suchmaschine nutzt, bleibt beim Tool-Tourismus. Agentic Thinking bedeutet, Arbeit als Prozess zu denken, in Schritte zu zerlegen, KI als Compagnon einzusetzen, Zwischenergebnisse zu prüfen und iterativ zu verbessern. Aus „KI macht das“ wird „Wir bauen einen verlässlichen Ablauf“.
Genau hier trifft sich alles wieder im GenAI-Dreieck: Das Modell liefert Fähigkeit, der Prompt gibt Richtung, der Kontext macht Ergebnisse robust. Und AI Enablement sorgt dafür, dass dieses Zusammenspiel zur Routine wird.
Über den Autor: Christoph Magnussen ist Gründer des Beratungsunternehmens Blackboat, das Organisationen bei der Einführung von technologischen und kulturellen Lösungen unterstützt. Als Podcaster bei „AI To The DNA“ und „On The Way To New Work“ sowie als Creator bei YouTube erklärt er KI und die Zukunft der Arbeit.