Der Rechercheauftrag, für den niemand Zeit hat
Ein Zulieferbetrieb im Maschinenbau, Familienunternehmen in dritter Generation, steht vor einer Investitionsentscheidung: Eine neue Beschichtungsanlage soll her, sechsstelliger Betrag. Der Geschäftsführer bittet seinen Projektleiter um eine Marktübersicht – welche Verfahren gibt es, welche Anbieter, was sagen Normen und Förderprogramme dazu. Der Projektleiter weiß, was das bedeutet: zwei, drei Tage zwischen Herstellerbroschüren, Fachartikeln und Behördenseiten, und am Ende ein Dokument, das trotzdem Lücken hat. Zwei Tage, die neben dem Tagesgeschäft schlicht nicht existieren.
Genau für diese Sorte Aufgabe hat sich in den vergangenen Jahren eine neue Werkzeugklasse etabliert. KI-Systeme können heute nicht mehr nur Fragen aus dem Stegreif beantworten – sie können selbstständig recherchieren, ganze Dokumentenberge durchdringen und aus gesprochenem Wort strukturierte Protokolle machen. Drei Ansätze sind dabei zu unterscheiden, und wer sie auseinanderhalten kann, spart nicht nur Zeit, sondern trifft auch besser belegte Entscheidungen. Der Reihe nach.
Deep Research: Wenn die KI minutenlang selbst arbeitet
Der auffälligste Neuzugang sind die sogenannten Deep-Research-Modi, die inzwischen alle großen Anbieter in ihren Chats anbieten – mal unter genau diesem Namen, mal leicht abgewandelt. Der Unterschied zum normalen Chat ist grundlegend: Statt sofort eine Antwort aus dem antrainierten Wissen zu formulieren, plant das System eine regelrechte Recherche. Es zerlegt die Frage in Teilaspekte, durchsucht das Web in vielen aufeinander aufbauenden Suchläufen, liest Dutzende Quellen, gleicht Widersprüche ab und verfasst am Ende einen strukturierten Bericht – mit Quellenangaben, die sich anklicken und prüfen lassen.
Das dauert spürbar länger als eine Chat-Antwort: Je nach Frage arbeitet das System fünf bis dreißig Minuten selbstständig vor sich hin. Dafür ist das Ergebnis eine andere Liga – im Fall unseres Projektleiters ein mehrseitiges Dossier über Beschichtungsverfahren, relevante Anbieter im deutschsprachigen Raum, einschlägige Normen und aktuelle Förderprogramme, jeweils mit Verweis auf die Fundstelle. Aus zwei Tagen Fleißarbeit wird eine halbe Stunde Wartezeit plus ein Nachmittag fürs Prüfen und Verdichten.
Das Prüfen bleibt allerdings Pflicht, und das ist der wichtigste Satz dieses Abschnitts. Deep Research ist ein außerordentlich fleißiger, aber nicht unfehlbarer Rechercheur: Die Qualität des Berichts hängt an der Qualität der gefundenen Quellen, und das System kann eine veraltete Herstellerseite genauso einsammeln wie eine aktuelle Norm. Die Quellenangaben sind deshalb kein Schmuck, sondern der eigentliche Arbeitsauftrag an den Menschen – zumindest die entscheidungsrelevanten Aussagen gehören stichprobenartig nachgeschlagen. Ebenso lohnt es sich, in den Auftrag Präzision zu stecken: Wer Zeitraum, Region, Branche und gewünschte Gliederung des Berichts vorgibt, bekommt ein deutlich brauchbareres Ergebnis als mit einer Einwortfrage.
#
So formulieren Sie einen guten Rechercheauftrag
Der Unterschied zwischen einem mittelmäßigen und einem hervorragenden Bericht entsteht fast immer vor dem Start. Ein bewährtes Muster besteht aus vier Bausteinen: erstens der Kontext, also wer fragt und wofür – ein Zulieferbetrieb, der eine Investitionsentscheidung vorbereitet, braucht anderes Material als ein Student. Zweitens die konkreten Teilfragen, die der Bericht beantworten soll. Drittens die Eingrenzung: Zeitraum, Region, Sprache der Quellen, gegebenenfalls auszuschließende Aspekte. Viertens das gewünschte Format, etwa eine Vergleichstabelle der Anbieter plus Fließtext zu Normen und Förderung. Viele Deep-Research-Modi stellen vor dem Start ohnehin Rückfragen – nehmen Sie sich die zwei Minuten, sie sorgfältig zu beantworten, statt sie wegzuklicken. Es ist dieselbe Sorgfalt, die man auch einem menschlichen Rechercheur als Briefing schulden würde.
Dokumente befragen statt lesen: NotebookLM und Verwandte
Der zweite Ansatz dreht die Blickrichtung um: Statt das offene Web zu durchsuchen, arbeitet die KI ausschließlich mit Material, das Sie selbst bereitstellen. Das bekannteste Werkzeug dieser Gattung ist NotebookLM von Google, aber auch die Projekte-Funktionen von ChatGPT und Claude folgen demselben Prinzip: Man lädt eine Sammlung von Dokumenten hoch – PDFs, Präsentationen, Verträge, Studien, teils auch Webseiten oder Videolinks – und führt anschließend ein Gespräch mit diesem Fundus.
Der entscheidende Mechanismus dabei: Die Antworten stützen sich auf die hochgeladenen Unterlagen, und jede Aussage wird mit einem Quellenverweis versehen, der direkt auf die entsprechende Passage im Dokument zeigt. Ein Klick, und man liest die Originalstelle. Das reduziert das bekannteste KI-Risiko erheblich – das Erfinden plausibel klingender, aber falscher Angaben –, weil sich das System nicht aus seinem vagen Weltwissen bedienen soll, sondern aus einem klar umrissenen Materialbestand. Fehlt die Antwort in den Unterlagen, sagt ein gutes Werkzeug genau das.
Die Anwendungsfälle im Mittelstand liegen auf der Straße: Eine Hausverwaltung lädt zwanzig Jahre Eigentümerversammlungsprotokolle hoch und fragt, wann was zur Dachsanierung beschlossen wurde. Eine Arztpraxis legt die Bedienungsanleitungen ihrer Geräte ab und lässt neue Mitarbeitende ihre Fragen direkt an diesen Bestand richten. Ein Handwerksbetrieb befragt Ausschreibungsunterlagen von achtzig Seiten nach Fristen, geforderten Nachweisen und Fallstricken. In allen Fällen gilt: Die Dokumente werden nicht ersetzt, sondern erschlossen – man liest weniger, aber gezielter. Werkzeuge wie NotebookLM erzeugen auf Wunsch zusätzlich Lernhilfen aus dem Material, etwa Zusammenfassungen, Fragenkataloge oder sogar podcastartige Audio-Überblicke, was sie für die Einarbeitung neuer Kollegen interessant macht.
Zwei Grenzen sollte man kennen. Erstens ist die Antwortqualität nur so gut wie der Dokumentenbestand: Veraltete Anleitungen liefern veraltete Antworten, und widersprüchliche Unterlagen erzeugen widersprüchliche Auskünfte – das Werkzeug ersetzt keine Dokumentenpflege, es macht deren Lücken im Gegenteil sichtbar. Zweitens gilt auch hier die Datenschutzfrage: Verträge und Personalunterlagen gehören nur in Dienste, deren Umgang mit den Daten vertraglich geklärt ist. Für den Start empfiehlt sich deshalb ein Bestand aus unkritischem Material – technische Anleitungen, öffentliche Ausschreibungen, eigene Veröffentlichungen –, bevor sensiblere Ordner folgen.
Vom Meeting zum Protokoll mit Aufgabenliste
Der dritte Ansatz betrifft eine Textsorte, die in fast jedem Unternehmen ungeliebt ist: das Besprechungsprotokoll. Die Kette ist heute durchgängig automatisierbar. Am Anfang steht die Aufnahme – entweder direkt in der Videokonferenz-Software, die Mitschnitte und Transkripte inzwischen eingebaut hat, oder per Diktier-App im Besprechungsraum. Aus der Aufnahme entsteht automatisch ein Transkript, also der wortgetreue Text des Gesprächs, bei guten Werkzeugen inklusive Sprecherzuordnung. Und aus dem Transkript macht ein Sprachmodell im dritten Schritt das eigentliche Arbeitsdokument: eine Zusammenfassung der besprochenen Punkte, die getroffenen Entscheidungen und – am wertvollsten – eine Aufgabenliste mit Zuständigkeiten und genannten Terminen.
Was früher eine ungeliebte Stunde Nacharbeit war, ist damit fünf Minuten Kontrolle: Man liest das erzeugte Protokoll gegen, korrigiert falsch verstandene Namen oder Fachbegriffe und verschickt es. Die Erfahrung zeigt, dass Besprechungen dadurch nicht nur besser dokumentiert, sondern verbindlicher werden – Aufgaben, die schriftlich mit Namen und Datum festgehalten sind, versanden seltener. Eine Physiotherapiepraxis aus unserem Umfeld nutzt die Kette inzwischen sogar für ihre kurzen Teambesprechungen am Morgen: Fünf Minuten Gespräch, danach steht die Aufgabenliste des Tages im gemeinsamen Kanal – vorher wurde schlicht gar nichts festgehalten. Wichtig ist nur, das erzeugte Protokoll nicht ungelesen zu verschicken: Sprachmodelle verdichten gelegentlich falsch oder ordnen eine Aussage der falschen Person zu, und ein Protokoll trägt Beweischarakter im Betriebsalltag.
Zwei Dinge gehören allerdings zwingend dazu. Erstens die Zustimmung: Gespräche dürfen nur mit Wissen und Einwilligung aller Beteiligten aufgezeichnet werden – das ist keine Höflichkeitsfrage, sondern rechtliche Pflicht, und bei Kundengesprächen gilt sie erst recht. Ein fester Satz zu Beginn der Besprechung und ein Hinweis in der Einladung lösen das sauber. Zweitens der Datenschutz: Transkripte enthalten oft Personennamen und Interna; die Wahl des Werkzeugs sollte deshalb mit denselben Maßstäben erfolgen wie beim KI-Chat – Business-Tarife mit Trainingsausschluss und geklärter Datenverarbeitung.
Wann welcher Ansatz der richtige ist
Die drei Ansätze konkurrieren nicht, sie beantworten verschiedene Fragen – und die Wahl folgt einer einfachen Logik: Wo liegt das Wissen, das Sie brauchen?
Liegt es draußen in der Welt – Märkte, Anbieter, Normen, Studien, Wettbewerber –, ist Deep Research das Mittel der Wahl. Es lohnt sich immer dann, wenn die Frage zu groß für eine schnelle Suche ist und ein belegter Überblick gebraucht wird; für eine simple Faktenfrage wäre der minutenlange Recherchelauf dagegen Overkill, das erledigt der normale Chat mit Websuche schneller. Liegt das Wissen dagegen bereits in Ihrem Haus – in Verträgen, Protokollen, Handbüchern, Angeboten –, führt der Weg über Dokumenten-Werkzeuge wie NotebookLM oder Projekt-Funktionen: Sie liefern nachprüfbare Antworten aus Ihrem eigenen Bestand, ohne dass sich Fremdes aus dem Internet einmischt. Und entsteht das Wissen gerade erst im Gespräch, greift die Protokoll-Kette aus Aufnahme, Transkript und Zusammenfassung.
In der Praxis verzahnen sich die Ansätze schnell: Der Projektleiter aus dem Eingangsbeispiel ließ Deep Research die Marktübersicht erstellen, lud den Bericht anschließend zusammen mit den eingeholten Angeboten in ein Notizbuch-Werkzeug und bereitete daraus die Entscheidungsvorlage vor – und das Meeting, in dem die Geschäftsführung entschied, wurde transkribiert und mit Aufgabenliste protokolliert. Drei Werkzeuge, ein durchgehender Faden, und an jeder Stelle blieb die inhaltliche Verantwortung beim Menschen.
Fazit: Klein anfangen, sauber prüfen
Deep Research, Dokumenten-Befragung und automatische Protokolle gehören zu den KI-Anwendungen mit dem unmittelbarsten Nutzen im Arbeitsalltag – gerade weil sie an echten Zeitfressern ansetzen und ihre Ergebnisse über Quellenverweise nachprüfbar machen. Drei konkrete nächste Schritte: Erstens, geben Sie eine reale Rechercheaufgabe aus Ihrem Betrieb testweise in einen Deep-Research-Modus und vergleichen Sie das Dossier mit dem, was Sie selbst gefunden hätten – inklusive Stichprobe bei den Quellen. Zweitens, legen Sie ein Notizbuch mit einem überschaubaren Dokumentenbestand an, etwa den Anleitungen und Checklisten einer Abteilung, und lassen Sie das Team eine Woche lang dagegen fragen. Drittens, testen Sie die Protokoll-Kette in einer internen Besprechung – mit angekündigter Aufnahme und kritischem Gegenlesen. Wenn Sie dabei Begleitung wünschen: FJ Design unterstützt Unternehmen mit Workshops und praxisnaher Beratung bei der Einführung solcher KI-Werkzeuge.