WissensTransferCamp 2024/wtc24-2-1-holtel

Der Vortrag von Steve Holtel demonstriert praxisnah, wie ChatGPT als intelligentes Werkzeug zur Unterstützung von Expert-Debriefings eingesetzt werden kann. Anhand konkreter Beispiele zeigt er, dass der Chatbot nicht als Ersatz für methodische Expertise fungiert, sondern als kraftvoller Assistent für erfahrene Praktiker, um Dokumente zu analysieren, Interviews vorzubereiten und Wissenslandkarten zu erstellen.

• Session Titel: Bessere Expert Debriefings durch Chatbots? Wie ChatGPT die Qualität von Experten Debriefings aufwertet
• Session Owner: Stefan Holtel

Video laden

YouTube

YouTube sammelt möglicherweise persönliche Daten. Datenschutzrichtlinie

Fortfahren Ausblenden

Grundprinzipien der Arbeit mit ChatGPT bei Expert-Debriefings

Der Referent betont zu Beginn eine fundamentale Erkenntnis: “Ein Anfänger wird hiermit nicht richtig arbeiten können.” ChatGPT ist kein Lernwerkzeug für Domänen-Neulinge, sondern ein Verstärker für bereits vorhandene Expertise. Die erste und wichtigste Regel beim Arbeiten mit dem System ist die Verifikationsfrage: “Stimmt das eigentlich?” Diese Kontrollfrage stellt sicher, dass Mensch und Maschine über dasselbe sprechen.

Ein zentraler Erfolgsfaktor ist die bewusste Beeinflussung des Dialogs durch die Vorauswahl der Dokumente. Alles, was hochgeladen wird, befindet sich im Kurzzeitgedächtnis und spielt eine größere Rolle bei allen nachfolgenden Interaktionen. Holtel erklärt: “Es gibt eine Hierarchie. Was ist im Kurzzeitgedächtnis, was ist im Langzeitgedächtnis, und was ist dazwischen.”

Die Arbeit in englischer Sprache wird empfohlen, da die Qualität aufgrund des Trainingsdatensatzes besser ist. Man erhält “mehr Spitzen” aus dem System heraus, auch wenn deutsche Interaktionen ebenfalls funktionieren.

Dokumentenanalyse und intelligente Fragentechniken

Statt oberflächlicher Zusammenfassungen zeigt der Vortrag, wie spezifische Fragestellungen zu wertvolleren Erkenntnissen führen. Am Beispiel des LearnOS Expert-Debriefing-Leitfadens demonstriert Holtel, wie die Frage nach SMART-Zielen eine andere Granularität in den Antworten erzeugt als allgemeine Fragen.

Eine besonders effektive Technik ist die Definition von Anfangs- und Endpunkten eines Prozesses. “Irgendetwas ist ja der Anfangs- und Endpunkt von dem, warum ich mich überhaupt mit Expert-Debriefings beschäftige.” Mit diesen kognitiven Abgrenzungen kann ChatGPT die dazwischenliegenden Schritte strukturiert beschreiben.

Die Risikoanalyse wird durch systematische Bewertung von Fehlern unterstützt. Das System kann nicht nur Probleme identifizieren, sondern auch deren Schweregrad einschätzen und begründen. So erhält der Nutzer eine differenzierte Sicht auf potenzielle Stolpersteine.

Praktische Anwendung: Vom Lebenslauf zum strukturierten Interview

Der praktische Teil des Vortrags arbeitet mit einem fiktiven QA-Spezialisten “John Doe” aus der Automobilbranche. Holtel demonstriert den kompletten Workflow von der Einladung bis zur Nachbearbeitung:

Einladungsschreiben: ChatGPT erstellt personalisierte Motivationsschreiben basierend auf dem Lebenslauf des Experten, um dessen Teilnahmebereitschaft zu erhöhen.

Interview-Vorbereitung: Aus dem Lebenslauf werden potenzielle Gesprächsthemen und Fragenkomplexe abgeleitet, die dem Interviewer als Orientierung dienen.

Strukturierung der Gesprächsinhalte: Das System hilft dabei, aus allgemeinen Jobprofilen spezifische, im Interview zu behandelnde Aspekte herauszuarbeiten.

Wissensextraktion und -kategorisierung aus Transkripten

Ein Kernstück der Demonstration ist die Analyse eines dreiseitigen Interview-Transkripts. ChatGPT extrahiert systematisch alle erwähnten Aufgaben und bewertet diese auf einer Likert-Skala hinsichtlich ihrer Wichtigkeit. “Von 4 bis 6 auf einer Skala von 1 bis 7” zeigt die Relevanz verschiedener Tätigkeitsbereiche.

Besonders wertvoll ist die Unterscheidung zwischen routine- und wissensintensiven Aufgaben. Das System kategorisiert “eher langweilige, moderne Aufgaben” versus solche, “wo man richtig Grips reinstecken muss.” Diese Differenzierung hilft zu identifizieren, wo das eigentliche Expertenwissen liegt.

Eine innovative Funktion ist die Erkennung impliziten Wissens. ChatGPT kann analysieren, “welche Expertise möglicherweise nicht bereitgestellt wurde, weil John sie als selbstverständlich angesehen hat.” Interpersonelle Fähigkeiten, Leadership und Problemlösungskompetenzen werden oft nicht explizit erwähnt, sind aber für Nachfolger relevant.

Die Generierung von Follow-up-Fragen ermöglicht es, während oder nach dem Interview gezielt nachzuhaken. “Was wären denn sinnvolle Follow-up-Questions für die Antwort, die gerade gekommen ist?”

Grenzen und Potenziale der KI-Unterstützung

Holtel warnt vor überzogenen Erwartungen: “Es ist ein großes Missverständnis, ChatGPT als Lernwerkzeug zu verwenden.” Das System ersetzt nicht die methodische Kompetenz, sondern verstärkt vorhandenes Wissen.

Die Qualität der Ergebnisse hängt stark von der Expertise des Nutzers ab. “Wenn ich es nutze, dann bin ich Experte, der sowas macht und kann sehr gut einschätzen, ist das plausibel, was daraus kommt.” Rankings und Kategorisierungen sind Orientierungshilfen, keine absoluten Wahrheiten.

Ein wichtiger technischer Aspekt ist das Editieren von Prompts zur Optimierung der Ergebnisse. Durch Anpassung der Fragestellung an bestimmten Punkten kann die Qualität der Antworten verbessert werden, ohne den gesamten Kontext zu verlieren.

Die Vision für die Zukunft sieht Holtel nicht in der Automatisierung, sondern in einer “neuen Balance zwischen Menschen und Maschine.” Expert-Debriefings werden nicht überflüssig, sondern können in einer anderen Qualität durchgeführt werden.

Fazit und Ausblick

Der Vortrag zeigt eindrucksvoll, dass ChatGPT Expert-Debriefings nicht revolutioniert, sondern evolutioniert. Die Technologie ermöglicht es erfahrenen Praktikern, effizienter und strukturierter zu arbeiten, ohne die menschliche Expertise zu ersetzen.

Zentrale Erkenntnisse:

• ChatGPT ist ein Verstärker für vorhandene Expertise, kein Ersatz für methodisches Wissen
• Intelligente Fragestellung und Dokumentenvorbereitung sind entscheidend für die Qualität der Ergebnisse
• Die Analyse impliziten Wissens eröffnet neue Dimensionen im Expert-Debriefing
• Kritische Bewertung der KI-Ausgaben bleibt unverzichtbar

Handlungsempfehlungen:

• Beginnen Sie mit der Verifikationsfrage “Stimmt das eigentlich?” bei jedem neuen Dokument
• Definieren Sie klare Anfangs- und Endpunkte für Prozessanalysen
• Nutzen Sie das System zur Vorbereitung, nicht als Ersatz für Expertise
• Experimentieren Sie mit Follow-up-Fragen zur Vertiefung von Interviews
• Achten Sie auf implizites Wissen, das in Transkripten nicht explizit erwähnt wird

Die Zukunft liegt nicht in der Automatisierung von Expert-Debriefings, sondern in der intelligenten Kombination menschlicher Expertise mit KI-Unterstützung, um Wissenstransfer in neuer Qualität zu ermöglichen.