KI-Produktivität: Intelligenter arbeiten mit Automatisierung

ChatGPT Work ist der „KI-Agent für die Arbeit“, den OpenAI am 9. Juli 2026 zusammen mit GPT-5.6 vorgestellt hat. Anders als ein normaler Chat, der bloß antwortet, sammelt er Kontext aus deinen verbundenen Apps und Dateien, um fertige Ergebnisse zu erstellen — Dokumente, Tabellen, Folien und sogar Web-Apps. Sein Gehirn ist das neue Flaggschiff GPT-5.6 Sol (auf Codex aufgebaut), und es kann ein komplexes Projekt in Schritte zerlegen und stundenlang weiterarbeiten (Thurrott). Innerhalb der vereinten Desktop-App leben drei Modi zusammen — Work (Ergebnisse), Codex (technisch, zeigt Details) und normaler Chat (Gespräch) — wobei Work als die „Business-Version“ positioniert ist, die Codex' technische Details verbirgt (9to5Mac). Das Modell hängt von deinem Tarif ab: Free/Go bekommen standardmäßig Terra, während Plus/Pro/Business/Enterprise aus Sol/Terra/Luna wählen (laut Berichten). Seine Stärke ist das Einbeziehen „deines Kontexts“ über Connectors wie Google Drive, SharePoint und Slack sowie MCP — und für Unternehmen werden Daten standardmäßig nicht fürs Training verwendet. Gestützt auf Axios, TechCrunch, 9to5Mac, Thurrott und OpenAI zeigt dieser Artikel, was ChatGPT Work ist, wie es sich von normalem ChatGPT und Codex unterscheidet, welche Tarife es nutzen können und mit welchen Apps es sich verbindet — mit Sicherheitskennzeichnungen für das, was noch nicht offiziell ist.

„Wie stark senkt KI den Softwareentwicklungsaufwand?“ Mit dem agentischen Coding 2025–2026 hat sich die Maßeinheit selbst geändert. Früher lautete die Frage „um wie viel Prozent wird eine Aufgabe schneller“; heute ist es eine Frage der Größenordnung: „ein Entwicklungszyklus, der Wochen dauerte, wird auf Stunden oder Tage komprimiert“ (TechTarget). Claude Fable 5 beendete Stripes Migration von 50 Millionen Zeilen an einem Tag; TELUS sparte 500.000 Entwicklerstunden; die Zykluszeit ging von 9,6 → 2,4 Tage. Die Zahlen der Autocomplete-Ära — Copilot-RCT 55,8 % schneller, McKinsey 20–50 % nach Aufgabe — sind nun die Untergrenze. Doch es ist kein gleichmäßiges 10×: laut Anthropics 2026 Agentic Coding Trends Report nutzen Entwickler KI bei ~60 % ihrer Arbeit, doch nur 0–20 % der Aufgaben lassen sich vollständig delegieren (die Delegationslücke), sodass menschliche Prüfung nötig bleibt, und etwa 27 % der KI-Arbeit ist neue Arbeit, die es vorher nicht gab (Aufwand senken = mehr produzieren). Bei gutem Kontextdesign: 40 % weniger Fehler und 55 % schneller. Selbst METRs Ergebnis von 2025 „Experten sind 19 % langsamer“ kehrt sich 2026 um, wobei die Autoren zugeben, dass die Messung die Realität unterschätzt. Dieser Artikel trennt diese Polarisierung mit belegten Quellen (GitHub, McKinsey, Anthropic, METR, DORA) und zeigt, wie man die Aufwandsersparnis tatsächlich realisiert.

"Ich habe eine KI gefragt, und sie hat den Browser geöffnet, Dinge nachgeschlagen und sogar ein Formular ausgefüllt." 2026 ist das keine inszenierte Demo mehr: Agentische Browser (ChatGPT Atlas, Claude for Chrome, Gemini/Chrome, Perplexity Comet) kamen auf einen Schlag. Doch wie weit reicht die Automatisierung wirklich? Die Realität teilt sich sauber in drei Stufen. (1) Recherche = praxisreif: Auf WebVoyager (echte Sites) erreichen Spitzen-Agenten 89-98%, nahe der Sättigung, und da ein Fehler kaum etwas kostet, sollten Sie hier mit dem Delegieren beginnen. (2) Formulare = machbar, aber prüfen: Die Eingabe selbst wird unterstützt, doch Agenten können Felder falsch zuordnen oder den falschen Absenden-Button treffen, daher ist "die KI entwirft, ein Mensch sendet ab" sicher, und viele Produkte wie Atlas bitten vor wichtigen Aktionen um Bestätigung. (3) Buchen/Bezahlen = selbst erledigen: Agenten stolpern über CAPTCHAs, komplexe JavaScript-Checkouts, Zwei-Faktor-Auth und Sitzungsverwaltung, und auf WebArena (komplexe mehrstufige Aufgaben) erreichen selbst die Besten nur ~47-68% gegenüber einer menschlichen Basislinie von ~78%; der eigentliche Grund, warum OpenAI das eigenständige Operator einstellte (2025/8/31), war die Unzuverlässigkeit des Checkouts. Der Artikel rahmt zunächst die zwei Ansätze (Verbraucher-Browser/Erweiterung vs. Entwickler-API/OSS), kartiert dann die Anbieter 2026 (Atlas als eigenständiger Browser, der per Design keinen Code ausführt und keine Passwörter liest; Claude for Chrome als Erweiterungs-Seitenleiste; Googles Project Mariner endete 2026/5/4 und ging in Gemini/Chrome auf; Operator wanderte in ChatGPT Agent und das Agents SDK; OSS browser-use mit über 78k Sternen). Er erklärt die vier Hürden, an denen Buchungen scheitern (Bot-Abwehr, komplexer Checkout, 2FA, die Kosten des Rückgängigmachens), und vertieft dann die größte Falle: die indirekte Prompt Injection (Perplexity Comet erwies sich als anfällig für Zero-Click-Diebstahl von Zugangsdaten und behob dies im Februar 2026; ein Angriffserfolg von 23.6% vor Abwehr sinkt auf ~11% mit grundlegender und ~1% mit der stärksten, bleibt aber nicht null). Er schließt mit fünf Sicherheitsgrundsätzen (mit Nur-Lesen beginnen, ein Mensch gibt Sendungen/Zahlungen frei, niemals Passwörter übergeben, nicht auf nicht vertrauenswürdigen Sites laufen lassen, geringste Rechte in einem dedizierten Profil). Ein hervorragender Recherchepartner; die geldbewegenden Aktionen erledigen Sie selbst. Die Zahlen stammen als Richtwerte aus öffentlichen Materialien und Ankündigungen.

"Okay, KI-Agenten sind beeindruckend — aber wofür kann ich sie eigentlich einsetzen?" Das ist die Frage, vor der jeder nach den Grundlagen steht, und 2026 ist die Antwort keine Zukunftsmusik mehr: quer durch Support, Vertrieb, Buchhaltung, Entwicklung und HR haben Agenten begonnen, Routinearbeit zu übernehmen, eine Umfrage berichtet von 65% der Unternehmen, die bereits einen Workflow automatisiert haben. Dieser Artikel lässt Abstraktionen beiseite und liefert 10 konkrete Anwendungsfälle nach Funktion mit echten Beispielen und Zahlen. Er behandelt, warum Anwendungsfälle jetzt zählen (Agenten antworten nicht nur, sondern handeln, vom Experiment zur Produktion; Gartner prognostiziert, dass bis 2028 ein Drittel der Unternehmenssoftware agentische Funktionen enthält und bis 2029 80% der Support-Anfragen mit minimaler menschlicher Hilfe gelöst werden), wie man automatisierbare Arbeit erkennt (stark wiederkehrend x hohes Volumen x erfordert Urteilsvermögen — der Urteilsteil ist der Unterschied zur alten RPA; große Entscheidungen bleiben beim Menschen über Agent-bereitet-vor-Mensch-genehmigt), die 10 Fälle (1 Kundensupport an erster Linie und kontextreiche Eskalation, 2 Vertriebs-Lead-Gewinnung und personalisierte E-Mails mit 200/Stunde und 2-4x Antwortraten, 3 Marketing-SEO-Content von 2 auf 10 Artikel pro Woche und E-Mail zur optimalen Zeit, 4 Softwareentwicklung mit über 35% KI-generiertem Code, 5 IT-Störfall-Erkennung-Diagnose-Auto-Wiederherstellung, 6 Finanzen ERP-weite KPIs und kommentierte PDF-Berichte, 7 Echtzeit-Betrugserkennung im Finanzwesen, 8 HR-Screening und -Onboarding mit AMD-Bericht über 80% schnellere Bearbeitung, 9 Recherche und Datenanalyse zu Berichten, 10 Lieferketten-Control-Tower), die ROI-Realität (3.5x über drei Jahre, 3-14 Monate Amortisation, 30-60% Kostensenkung laut McKinsey, aber nur 23% skalieren, das Beständigmachen ist schwer) und wie man sicher startet (eine Aufgabe wählen, klein ausprobieren, Mensch genehmigt, messen und ausweiten) mit geringstmöglichen Rechten und Genehmigung bei jedem Mal. Die Zahlen sind aus Umfragen und Unternehmensmitteilungen zitiert, als Referenz für Tendenzen. Betrachten Sie Ihre Arbeit erneut durch Wiederholung, Volumen und Urteilsvermögen und machen Sie einen kleinen Schritt von Ihrer schmerzhaftesten Aufgabe aus.

„Die KI nimmt dir den Job“ ist ein vertrauter Refrain, doch eine alltäglichere Veränderung ist still im Gange: Unter Kolleginnen und Kollegen im selben Unternehmen, in derselben Rolle, vergrößert sich die Lücke im Output langsam – weil sich Menschen in jene spalten, die KI gut nutzen, und jene, die das nicht tun oder können. Dieser Artikel zeigt anhand der neuesten Umfragedaten, wie die KI die Kompetenzlücke unter Büroangestellten vergrößert, und es ist nicht das simple „die Klugen gewinnen“. Er zeigt, dass sich die entscheidende Achse von Rohkraft (Wissen, Geschwindigkeit, Erfahrung) hin zu „wie gut du KI nutzt (KI-Kompetenz)“ verschiebt; dass die KI zwei gegenläufige Kräfte zugleich ausübt (auf Aufgabenebene hebt sie Anfänger stärker an und komprimiert die Lücke zu Veteranen, während über die Arbeitswelt hinweg die bereits Begünstigten – Spitzenverdiener, leitende Rollen – KI früher und tiefer einsetzen und die Lücke vergrößern); die Lage in Zahlen (eine Umfrage zeigt, dass über 60% der Spitzenverdiener KI täglich nutzen gegenüber 16% der Geringverdiener, ein geschätzter Lohnaufschlag von +56% für KI-Kompetenzen in derselben Rolle und rund 39%, die spüren, dass Überabhängigkeit ihre Fähigkeiten aushöhlt – alle zitiert und je nach Umfrage variierend); die vier Lücken vergrößernden Kräfte (Zugang zu Werkzeugen, Zeit und Schulung, Autonomie zum Experimentieren, Lernbereitschaft – die ersten drei begünstigen leitende Rollen, nur die letzte kannst du selbst ändern); drei Typen (zieht vor / bleibt stehen / bleibt zurück, wobei der Schlüssel darin liegt, die gewonnene Zeit in Urteil, Planung und Menschen zu investieren); die Falle der Überabhängigkeit, „sie nutzen zu können, aber nicht zu denken“ (KI als groben Entwurf überprüfen, nicht ungeprüft schlucken); wie man nicht zurückbleibt (anfassen, an der eigenen Arbeit ausprobieren, eine Prüf-Gewohnheit aufbauen, die gewonnene Zeit investieren, teilen, weiterlernen); und die Sicht der Organisation (wenige Firmen sehen ROI, Reibung zwischen Hierarchieebenen, ein System aufbauen, in dem alle lernen können). Die Lücke öffnet sich entlang eines Unterschieds im Handeln, nicht im Talent – was auch hoffnungsvoll ist, da jeder heute anfangen kann, den Umgang mit KI zu lernen.

Sie fragen dieselbe KI dasselbe, und doch nennt die eine Person sie nutzlos, während die andere staunt, wie fähig sie ist — und die wahre Ursache dieser Kluft ist oft nicht die Leistung der KI, sondern wie der Prompt formuliert ist. Dies ist ein praktisches Kompendium genau dieser Fähigkeit, des Prompt-Engineerings, so aufbereitet, dass Einsteiger es sofort anwenden können. Es behandelt, was Prompt-Engineering ist (die Fähigkeit, Ihre Anweisung an KI zu gestalten und zu verbessern — kein Code, sondern die Kunst, wie man Dinge sagt), die drei Prinzipien, die Ihre Ergebnisse verändern (konkret sein, Kontext geben, die Ausgabe festlegen, dazu „tu X“ statt „tu nicht Y“), die zentralen 6 Bestandteile eines guten Prompts (Rolle, Kontext, Anweisung, Beispiele, Format, Einschränkungen — die Elemente, die große Frameworks wie COSTAR und RCOF gemeinsam aufführen; Sie brauchen nicht jedes Mal alle sechs), 7 praxistaugliche Techniken (eine Rolle geben, ein Muster/few-shot zeigen, Schritt für Schritt schließen, das Ausgabeformat festlegen, mit Trennzeichen strukturieren, nicht zu viel auf einmal verlangen und iterieren — am stärksten ist das Iterieren), ein Vorher/Nachher-Beispiel, Techniken für Fortgeschrittene (Chain of Thought, Self-Consistency, Prompt Chaining, ReAct — wobei Reasoning-Modelle wie die o-Reihe und Claudes Extended Thinking CoT intern ausführen, sodass das Nennen des Ziels besser funktioniert), 7 häufige Fehler sowie modellspezifische Tipps und Eingabesicherheit. Mit internen Links zu Prompt-Tipps für die App-Entwicklung und zu Eingabe-Vorsichtsmaßnahmen. Aus vage wird konkret, aus Hinwerfen wird Dialog — jeder kann sich ab heute verbessern.

2023 wurde ein Anwalt mit Sanktionen belegt, nachdem ein mit ChatGPT verfasster Schriftsatz ausschließlich von der KI erfundene Fälle zitierte — und dieser Vorfall verbreitete weltweit Misstrauen gegenüber Recht und KI. Doch binnen weniger Jahre explodierte die Nutzung, und über 90 % der Anwälte sollen KI in der täglichen Arbeit einsetzen. Als nächster Beitrag unserer Serie zu KI-Auswirkungen nach Branche nach #068 (Handel), #094 (Marketing) und #097 (Beratung) betrachtet dieser die freien Berufe. Der aktuelle Stand in Zahlen (62 % der Anwälte berichten 6–20 % wöchentliche Zeitersparnis; Harvey und CoCounsel von Thomson Reuters verarbeiteten im 1. Quartal 2026 über 10 Mio. Rechtsdokumente; generative KI bei Steuer-/Buchhaltungs-/Prüfungskanzleien stieg von 8 % 2024 auf 21 % 2025; eine Stanford-Studie zeigt einen Rückgang der Einsteigerstellen in Feldern wie dem Rechnungswesen um 13 % gegenüber 2022, Wirtschaftsprüfer +5 % und Buchhalter -5 %), welche Arbeit KI je Beruf verändert (Anwälte = Fallrecherche, Vertragsprüfung, Pflichtenextraktion; Wirtschaftsprüfer = Buchführung, Belegprüfung, Stichproben, Risikoidentifikation; Steuerberater = Dateneingabe, Entwürfe von Steuererklärungen, Gesetzesrecherche — KI erledigt die Vorarbeit, Menschen fällen die Entscheidung), die größte Falle der Halluzination (Erfinden nicht existierender Fälle/Gesetze — mit Sanktionen und Vertrauensverlust; Harvey wirbt mit 99,7 % geprüfter Zitatgenauigkeit und markiert den Rest, CoCounsel verankert Zitate in einer Falldatenbank und zitiert nur reale Fälle), der unveränderliche wesentliche Wert (endgültiges Urteil, professionelle Skepsis, Ethik, graue steuerliche Beurteilungen und — entscheidend — Unterschrift und rechtliche Haftung, die sich nicht an die KI delegieren lässt), die Einsteigerkrise (Automatisierung der Lehrjahre-Routine) und neue Rollen (KI-Compliance-Beauftragte, Steuer-Prompt-Engineers) sowie Ratschläge nach Rolle für Praktiker, Angehende und Mandanten (Zitate und Zahlen anhand der Primärquellen überprüfen; den Umgang mit Vertraulichkeit klären). Regulierung und Haftung unterscheiden sich von Land zu Land; in Japan sind KI-Funktionen in Buchhaltungssoftware ebenfalls verbreitet. Die Frage, die KI stellt: Ist das, was Sie verkaufen, die Arbeit oder das Urteil und die Verantwortung?

Ein einstündiges Video von Hand zu untertiteln, hat früher einen ganzen Tag verschlungen – zuhören, pausieren, tippen, den Timecode ausrichten. 2026 erledigt sich diese Hölle durch "das Video hineinwerfen und ein paar Minuten warten". Mit Fokus auf das Untertiteln/Transkribieren von Video- und Audioinhalten (Meeting-Protokolle gehen zu #086, Bild-OCR zu #091) behandelt dieser Leitfaden die vier Stufen, die KI automatisiert (Audio-Extraktion → Transkription mit Diarisierung → Timecoding in SRT/VTT → Übersetzung und Gestaltung), den Unterschied zwischen Untertiteln (SRT/VTT) und Transkripten und wann man was nutzt, einen Tool-Vergleich (kostenlos-und-privat Whisper, alles-bearbeiten Descript, hochgenau-mehrsprachig Sonix und Happy Scribe, einsteigerfreundlich Notta, mobil CapCut, am einfachsten YouTube-Auto-Untertitel – viele mit Spracherkennung der Whisper-Familie unter der Haube), den am besten wiederholbaren 4-Schritte-Workflow (vorbereiten → transkribieren → korrekturlesen → SRT/VTT exportieren/einbinden), Empfehlungen nach Einsatzzweck (YouTube, Podcasts, Vorlesungen, Interviews, vertraulich, mehrsprachig), sechs Genauigkeits-Tipps mit der Audioqualität als 80 % des Ergebnisses (Qualität, Spracheinstellung, Eigennamenliste, Suchen-und-Ersetzen, Diarisierung, Zeilenlänge), den Königsweg-Workflow für Mehrsprachigkeit (Ausgangssprache perfektionieren → per KI übersetzen → native Prüfung) und die Stolperfallen – Übervertrauen in die Genauigkeit, Schwäche bei Rauschen und Fachjargon, Urheberrecht, vertrauliche Uploads und Timecode-Drift. Bei sauberem Ton liegt die Genauigkeit bei 90–96 % (veröffentlicht, bedingungsabhängig) und die Arbeit sinkt um 80–90 %. Die Arbeit der KI; den Feinschliff – Eigennamen prüfen und durchsehen – dir.

Der Initiationsritus für Junior-Berater — durchgemachte Nächte über Foliensätzen, endlose Recherche von Hand — knirscht. McKinseys „Lilli“ durchforstet über 100.000 Dokumente in Sekunden und entwirft Foliensätze; BCGs „Deckster“ poliert Folien im Handumdrehen; einer Analyse zufolge ließen sich ~80 % der Recherche- und Folienarbeit eines Junior-Analysten in Sekunden ersetzen. Als nächster Beitrag unserer Reihe „KI-Auswirkungen nach Branche“ nach #068 (Handelsunternehmen) und #094 (Marketing) zeichnet dieser Artikel die Beratung nach: den Status quo in Zahlen (Big Four und Strategiehäuser steckten seit 2023 über 10 Mrd. Dollar in KI, PwC 1 Mrd. über drei Jahre, BCG ~25 % von 14,4 Mrd. Dollar Umsatz 2025 = ~3,6 Mrd. Dollar aus KI, eine HBS-Studie mit 758 BCG-Beratern zeigt, dass KI-Nutzer 12,2 % mehr Aufgaben erledigten, 25,1 % schneller, mit 40 %+ höherer Qualität), die fünf Bereiche, die KI verändert (Recherche, Folien, Analyse, Protokolle und neue KI-Strategiedienste — derzeit ein Nettoschaffer von Arbeitsplätzen bei großen Firmen), den Zusammenbruch des Pyramidenmodells (Routinearbeit der Juniors, einer Schätzung zufolge ~80 %, in Sekunden automatisiert; hin zu schlanken Teams aus wenigen Menschen plus KI mit Sorgen um die Ausbildungspipeline), den Erdrutsch bei der Preisgestaltung (das Produktivitätsparadox — schneller fertig bedeutet bei Stundensätzen weniger abrechnen — und 73 % der Klienten bevorzugen ergebnisbasierte Preise, was den Wechsel zu ergebnisbasiert und Festpreis vorantreibt), den unveränderlichen wesentlichen Wert (Frage rahmen, Interpretation, Urteil, Vertrauen, Umsetzung — der Berater, der das System steuert, zählt mehr als das System), die Aufspaltung in Giganten als Tanker gegen Boutiquen als Schnellboote (Wachstum kleinerer Firmen bis zu 50 % laut Schätzungen) und rollenspezifischen Rat für Anwärter, Praktiker und Klientenunternehmen. Die Frage, die KI stellt: Ist Ihr Wert die Arbeit oder das Urteil?

Als Coca-Colas Weihnachtsspot mit generativer KI Ende 2024 als „seelenlos“ verrissen wurde, symbolisierte das KIs Tauziehen im Marketing: „Effizienz und Wirkung“ gegen „Vertrauen und Emotion“. Dieser Artikel beleuchtet das Thema und misst zunächst den Status quo in Zahlen (rund 87 % der Marketer nutzen generative KI, gegenüber 51 % im Jahr 2024; über 71 % der Werbeausgaben algorithmisch gesteuert; Google erstellte allein in Q4 2025 rund 70 Millionen Creative-Assets mit Gemini; die Ausgaben für Marketing-KI-Tools haben sich in 18 Monaten in etwa verdreifacht). Er behandelt die fünf Bereiche, die KI verändert (① Content-Erstellung ② Werbe-Creatives ③ Targeting & Auslieferung / Programmatic ④ Personalisierung / DCO ⑤ Analyse & Messung) und berichtete Effekte (DCO mit ~32 % höherer CTR und ~56 % niedrigerer CPC, KI-Copy mit 3,2× ROI, First-Party-/kontextbezogenes Targeting bis zu 2× ROAS — alle veröffentlicht, bedingungsabhängig); den Kern, der sich nicht ändert (Strategie, Marke, Vertrauen, bahnbrechende Kreativität bleiben beim Menschen — KI ist ein Verstärker, ist die Basis null, ist es auch die Antwort); den seismischen SEO/AEO/LLMO-Umbruch (mit internen Links); Risiken (die Wahrnehmungslücke von 82 % Verantwortlichen vs. 45 % Verbrauchern bei KI-Anzeigen, plausible Erfindung, Brand Safety, Rechte/Regulierung, außer Kontrolle geratener unbeaufsichtigter Betrieb); wie sich der Job der Marketer verschiebt (Aufgaben übernommen, Urteilen schwerer; vom Produzenten zum Chefredakteur und Strategen); und einen Fünf-Schritte-Praxisplan für heute. KIs größter Einfluss ist, menschliche Zeit vom Tun zum Entscheiden zu befreien.

„Die API-Rechnung vom letzten Monat … 1.800 $?“ 2026 wurde berichtet, dass der ernsthafte Betrieb von Claude Code als Agent 500–2.000 $ im Monat erreicht. Doch allein indem Sie ändern, wie Sie es nutzen, können Sie die Kosten um 70–85 % senken, ohne die Ausgabequalität zu mindern (mehrere Praxisberichte konvergieren hier). Dieser Leitfaden entschlüsselt zuerst das wahre Gesicht hoher Kosten (teures Modell, langer Kontext, verschwendete Aufrufe; wie die Token-Abrechnung funktioniert; Agenten, die etwa das 7-Fache einer einzelnen Session verbrauchen), dann den Break-even von Abo vs. API (die API gewinnt grob nur unter 50 Sessions im Monat; eine Schätzung beziffert Abos auf bis zu 36x günstiger bei täglicher Nutzung), einen Preisüberblick (Copilot Pro 10 $ / Cursor Pro 20 $, bei intensiver Nutzung 60–100 $ / Claude Pro 20 $, Max 100 $; Copilot wechselte am 1. Juni 2026 zu nutzungsbasierten AI Credits), sechs Hebel zur Kostensenkung (① Modell-Routing für 40–70 % weniger ② Prompt-Caching mit etwa 90 % Rabatt bei 60–80 % Trefferquote ③ Kontext-Management ④ Wahl von Abo vs. API ⑤ Prüfung doppelter Abos ⑥ Memory-Funktionen), eine Spar-Checkliste für heute und Fallstricke — falsche Sparsamkeit, versteckte Arbeitskosten, doppelte Abrechnung, Zähler-Schock, übermäßiges Vertrauen in den Cache — plus empfohlene Setups nach Typ. Optimierung ist kein Geizen; sie ist die Gestaltung, für das Richtige den richtigen Betrag zu zahlen.

Deine Präsentation steht gleich morgen früh an und deine Folien sind immer noch leer — doch tippe eine Zeile Thema ein und wenige Minuten später sind 20 Entwurfsfolien aufgereiht. Das sind KI-Folien 2026. Dieser Leitfaden teilt die Folienerstellung in drei Phasen (Struktur, Skript, Design) und stellt zwei Ansätze vor: Generierung aus einer Hand (Thema werfen, alles bekommen) vs. Arbeitsteilung (Struktur und Skript in ChatGPT/Claude/Gemini festzurren, dann ein spezialisiertes Tool gestalten lassen). Er vergleicht die wichtigsten Tools (schnell generierendes Gamma, natives .pptx-und-kein-Bruch-Copilot in PowerPoint, kollaborationsstarkes Gemini für Google Slides, am besten aussehendes Beautiful.ai, vorlagenreiches Canva, das im Mai 2026 gestartete ChatGPT-PowerPoint-Add-in — kein absoluter Champion; wähle nach dem Ausgang), den am besten wiederholbaren 5-Schritte-Workflow (Struktur → Skript → in ein Design-Tool gießen → Zahlen und Quellen prüfen → Export nach .pptx/Slides), drei Prompts zum Kopieren und Einfügen (Gliederung, Folie ausarbeiten mit Sprechernotizen, für ein Design-Tool umformatieren), sechs Tipps für Folien, die ankommen (eine Botschaft pro Folie, Text halbieren und mehr), und Fallstricke — .pptx-Layout-Bruch, ein überladener erster Entwurf, plausibel erfundene Daten, das Senden von Vertraulichem und Tool-Einstellungen (Tomes Folien-Aus im April 2025 als Lektion). KI ist der Partner, der in einem Augenblick einen Entwurf liefert; das Kürzen und Prüfen ist die Aufgabe des Menschen.