Vom Plan ins konkrete Problem
Christoph startete ohne fertigen Use Case. Erst im Programm wurde aus der Frage nach neuen Studiengängen ein belastbarer Anwendungsfall für KI.
Newsletter
Build to Learn 🛠️ Was wir erst beim Machen verstehen
30.10.2026NewsletterKI-Projekte
Gute KI-Projekte entstehen oft erst im Machen. Christoph Heinrichs Beispiel zeigt, wie aus einer offenen Arbeitsfrage, klarem Feedback und iterativem Ausprobieren ein belastbarer Workflow wird.
Das Wichtigste in Kürze
Ein System, das Entscheidungen vorbereitet
Entstanden ist eine Multi-Agent-Pipeline mit zwölf spezialisierten Agenten, drei Stage-Gates und einer Entscheidungsvorlage, die die Hochschulleitung prüft.
Lernen heißt auch neu anfangen können
Die Arbeit mit Agenten zeigt, wann Tempo hilft, wann Menschen prüfen müssen und wann ein Ansatz verworfen werden sollte, weil er das Problem besser sichtbar macht.
Inhaltlich eingeordnet
Erst machen, dann schärfen
Christoph wollte erst alles durchdenken. Der entscheidende Impuls kam mit einem einfachen Satz: „Mach doch einfach mal!“ Damit verschiebt sich die Reihenfolge, weg vom perfekten Plan, hin zu einem ersten Versuch mit echtem Arbeitsbezug.
Im eigenen Projekt wird schnell sichtbar, welche Informationen fehlen, welche Annahmen geprüft werden müssen und wo Wissen noch nicht reicht. Genau deshalb ist das Ausprobieren so wertvoll, weil es die richtigen Fragen erst sichtbar macht.
Was das Programm in der Praxis getragen hat
Hilfreich waren schnelle Rückfragen, Deep Dives zu aktuellen Entwicklungen und vor allem die Arbeit mit der Gruppe. Die Teilnehmenden brachten unterschiedliche Schwerpunkte mit, von Datenschutz über Agenten bis zu Automatisierung mit n8n, und teilten ihre echten Ergebnisse offen.
Aus dem Austausch entstand nicht nur Wissen, sondern auch eine konkrete Organisationsidee: eine KI-Taskforce. Das zeigt, wie Lernformate über individuelle Weiterbildung hinaus in die Arbeitsweise einer Organisation hineinwirken können.
Die Studiengangsentwicklungsmaschine
Das Herzstück des Projekts ist eine Multi-Agent-Pipeline auf einem eigenen Data Warehouse, das täglich aus neun öffentlichen Quellen gespeist wird, unter anderem aus amtlicher Statistik, Arbeitsmarkt und Hochschullandschaft.
Zwölf Agenten arbeiten gestaffelt: vier parallel für Markt, Wettbewerb, Trends und Personas, danach Konzept-Synthese mit Scoring, dann ein Advocatus Diaboli mit Pre-Mortem und Annahmen-Audit, zum Schluss die Validierung von Inhalt und Wirtschaftlichkeit. Über zehn Methoden wie Porter und Blue Ocean sorgen dafür, dass Aussagen begründet bleiben. Am Ende steht eine Entscheidungsvorlage, die die Maschine nicht entscheidet, sondern vorbereitet.
Rahmen vor Einführung
Weil die Hochschule unter staatlicher Aufsicht steht, gehören EU AI Act, DSGVO, Auftragsverarbeitung und Transparenzpflichten von Anfang an dazu. Erst wenn dieser Rahmen sauber steht, kann KI offiziell eingeführt werden.
Die wichtigste Einsicht daraus ist nüchtern, aber entscheidend: KI ist machbar, wenn sie sauber aufgesetzt wird. Technik allein reicht nicht, der Rahmen ist Teil des Projekts.
Next Steps
Ist das Thema interessant für dich? Dann gibt es drei sinnvolle nächste Schritte.
Wir haben die Kernideen dieser Quelle als strukturierte Markdown Datei aufbereitet, damit du es perfekt als Kontext für dein eigenes KI-Projekt nutzen kannst. Lade die Datei herunter, wirf sie in das Tool deiner Wahl und arbeite damit weiter!
Wenn du aus deinem Interesse echte Praxis machen willst, komm' in die Blackboat Academy! Von kompakten Workshops über mehrwöchige Intensivprogramme bis zur persönlichen Begleitung über ein ganzes Quartal: in unserer Academy findest du das Format, das zu deinem Ziel, deinem Level und deinem Zeitrahmen passt.
Wenn du merkst, dass dieses Thema für deine Organisation gerade relevant wird, sprich mit uns über eine individuelle Betreuung. Gemeinsam schauen wir auf euren Kontext, priorisieren die richtigen Hebel und bringen KI nicht nur in die Diskussion, sondern in eure echten Arbeitsprozesse.
Diese redaktionelle Aufbereitung kommt direkt aus der KI-Werkstatt. Unsere Crew hat die Inhalte nicht geprüft. Dies bezieht sich nicht auf die Originalquelle.