Ein Foto sagt mehr als eine halbe Stunde Beschreibung
Montagmorgen in einer Schreinerei im Allgäu: Die CNC-Fräse zeigt eine Fehlermeldung an, die aus einem kryptischen Code und zwei Zeilen englischem Fachtext besteht. Der Geselle, der die Maschine sonst bedient, ist im Urlaub. Der Meister steht davor und hat zwei Möglichkeiten. Er kann versuchen, den Fehlercode abzutippen, im Handbuch zu suchen oder die Hotline des Herstellers anzurufen, deren Warteschleife erfahrungsgemäß zwanzig Minuten dauert. Oder er zückt sein Smartphone, fotografiert das Display und lädt das Bild in einen KI-Assistenten hoch, zusammen mit einer kurzen Frage: Was bedeutet diese Meldung, und was sollte ich als Erstes prüfen?
In vielen Fällen liefert die zweite Variante innerhalb von Sekunden eine brauchbare erste Einordnung. Die KI liest den Fehlercode aus dem Foto, erkennt oft sogar den Maschinentyp am Display-Layout und erklärt in verständlichem Deutsch, worum es geht: etwa dass ein Endschalter nicht erreicht wurde und man zunächst prüfen sollte, ob etwas den Verfahrweg blockiert. Das ersetzt keinen Servicetechniker, aber es verwandelt eine halbe Stunde Ratlosigkeit in fünf Minuten gezielte Fehlersuche.
Dieses Szenario steht stellvertretend für eine Entwicklung, die viele Nutzerinnen und Nutzer noch gar nicht auf dem Schirm haben: Moderne KI-Assistenten verarbeiten längst nicht mehr nur getippten Text. Sie können Fotos ansehen, gesprochene Sprache verstehen, Dokumente lesen und Handschrift entziffern. Wer KI ausschließlich als Chat-Fenster begreift, in das man Text eintippt, nutzt nur einen Bruchteil dessen, was heute möglich ist.
Was „multimodal" eigentlich heißt
Der Begriff klingt technischer, als die Sache ist. Eine Modalität ist schlicht eine Form, in der Information vorliegt: Text ist eine Modalität, Bilder sind eine andere, gesprochene Sprache eine dritte, und auch Dokumente mit Layout, Tabellen und Grafiken lassen sich als eigene Kategorie betrachten. Multimodal bedeutet, dass ein KI-Modell mehrere dieser Formen gleichzeitig verarbeiten kann – und zwar nicht durch nachgeschaltete Zusatzprogramme, sondern im selben System, das auch den Text versteht.
Das ist ein wichtiger Unterschied zu früheren Lösungen. Klassische Texterkennungssoftware wandelte ein gescanntes Dokument stur Zeichen für Zeichen in Text um, ohne zu verstehen, was dort stand. Ein multimodales Modell dagegen erfasst Inhalt und Zusammenhang gemeinsam: Es erkennt auf einem Foto nicht nur die Buchstaben einer Fehlermeldung, sondern versteht, dass es sich um eine Fehlermeldung handelt, und kann direkt Fragen dazu beantworten. Es sieht auf dem Bild einer Heizungsanlage nicht nur Rohre und Ventile, sondern kann einschätzen, welches Bauteil der Nutzer vermutlich meint, wenn er nach dem „grauen Kasten links oben" fragt.
Für den Arbeitsalltag heißt das: Sie müssen Informationen nicht mehr mühsam in Textform übersetzen, bevor die KI damit arbeiten kann. Das Foto, die Sprachnachricht, das PDF – all das ist bereits eine gültige Eingabe. Die Hürde, die früher zwischen der realen Welt und dem Chat-Fenster lag, ist deutlich niedriger geworden.
Interessant wird es, wenn man die Modalitäten kombiniert. Sie können ein Foto hochladen und mündlich dazu fragen, ein PDF anhängen und um eine Tabelle als Ergebnis bitten, oder eine Skizze zeigen und sich den passenden Text dazu formulieren lassen. Die Ausgabeseite zieht dabei nach: Viele Assistenten antworten auf Wunsch nicht nur mit Text, sondern erzeugen Tabellen, einfache Diagramme oder sprechen die Antwort vor – praktisch etwa unterwegs im Auto. Wer einmal verstanden hat, dass Eingang und Ausgang frei kombinierbar sind, entdeckt im eigenen Alltag laufend neue Anwendungsfälle.
Sprechen statt tippen: Diktat und Transkription
#
Diktieren im Alltag
Die meisten Menschen sprechen deutlich schneller, als sie tippen – auf dem Smartphone gilt das erst recht. Praktisch alle gängigen KI-Assistenten bieten inzwischen eine Spracheingabe an: Sie halten das Mikrofon-Symbol gedrückt, formulieren Ihre Frage oder Ihren Auftrag mündlich, und die KI arbeitet mit dem gesprochenen Text genauso wie mit einem getippten. Für einen Außendienstmitarbeiter, der nach dem Kundentermin im Auto sitzt, ist das ein erheblicher Unterschied: Statt abends im Büro einen Besuchsbericht zu tippen, diktiert er auf der Rückfahrt drei Minuten lang, was besprochen wurde – und bittet die KI anschließend, daraus einen strukturierten Bericht zu machen.
Dabei lohnt es sich, beim Diktieren nicht auf perfekte Formulierungen zu achten. Halbsätze, Gedankensprünge und ein eingeschobenes „ach ja, und dann war da noch" sind kein Problem. Die Stärke der KI liegt gerade darin, aus unsortiertem gesprochenem Material einen geordneten Text zu machen. Wer diktiert wie in ein klassisches Diktiergerät der Neunzigerjahre – mit ausformulierten Sätzen und angesagten Satzzeichen –, macht sich unnötig Arbeit.
#
Vom Sprachmemo zum Protokoll
Noch einen Schritt weiter geht die Transkription ganzer Aufnahmen. Ein typischer Fall aus einer Zahnarztpraxis: Die wöchentliche Teambesprechung dauert vierzig Minuten, und bisher hat reihum jemand mitgeschrieben – ungern und lückenhaft. Stattdessen kann ein Smartphone die Besprechung aufzeichnen, und die Aufnahme wird anschließend von der KI in Text umgewandelt. Aus diesem Transkript erstellt die KI dann auf Wunsch ein Protokoll mit den wichtigsten Beschlüssen und offenen Aufgaben, sortiert nach Zuständigkeit.
Zwei Dinge sind hier wichtig. Erstens die rechtliche Seite: Eine Gesprächsaufnahme setzt voraus, dass alle Beteiligten einverstanden sind – heimliches Mitschneiden ist in Deutschland strafbar. Die Zustimmung sollte man aktiv einholen und nicht stillschweigend voraussetzen. Zweitens die Qualität: Transkriptionen sind heute erstaunlich gut, aber nicht fehlerfrei. Eigennamen, Fachbegriffe und Zahlen werden gelegentlich falsch erkannt, besonders bei Nebengeräuschen oder wenn mehrere Personen durcheinanderreden. Ein Protokoll, das aus einer Transkription entstanden ist, sollte deshalb vor dem Versand einmal überflogen werden – das dauert zwei Minuten und erspart Missverständnisse.
Dokumente im Griff: PDFs befragen, Scans digitalisieren
#
Das PDF als Gesprächspartner
Ein Bauunternehmer erhält eine sechzigseitige Ausschreibung als PDF. Früher bedeutete das: einen Nachmittag lesen, markieren, Notizen machen. Heute kann er das Dokument in einen KI-Assistenten laden und gezielt Fragen stellen: Welche Fristen sind genannt? Welche Nachweise müssen dem Angebot beiliegen? Gibt es ungewöhnliche Vertragsstrafen? Die KI beantwortet diese Fragen auf Basis des hochgeladenen Dokuments und kann die relevanten Passagen benennen, sodass sich die Antworten im Original nachprüfen lassen.
Genau dieses Nachprüfen ist der entscheidende Handgriff. Die Zusammenfassung eines Dokuments ist eine enorme Zeitersparnis, aber sie ist eine Interpretation – und bei langen Dokumenten kann die KI Details übersehen oder falsch gewichten. Die sinnvolle Arbeitsteilung sieht deshalb so aus: Die KI übernimmt das Sichten und Vorsortieren, der Mensch prüft die Stellen, auf die es ankommt. Wer eine Vertragsklausel nur aus der KI-Zusammenfassung kennt, hat sie nicht wirklich gelesen.
#
Handschrift und Papier
Auch die Brücke zur Papierwelt ist inzwischen tragfähig. Ein Foto vom handschriftlichen Aufmaßzettel, von der Flipchart aus dem Workshop oder vom ausgefüllten Formular genügt, und die KI wandelt den Inhalt in digitalen Text um – eine Fähigkeit, die klassisch als OCR bezeichnet wird, also optische Zeichenerkennung. Moderne Modelle lesen dabei auch schwierige Handschriften erstaunlich zuverlässig und können das Ergebnis direkt weiterverarbeiten: Aus dem fotografierten Aufmaß wird eine Tabelle, aus der Flipchart eine saubere Ergebnisliste per E-Mail ans Team.
Ein Praxisbeispiel aus dem Büroalltag: Eine Steuerkanzlei erhält von Mandanten regelmäßig Belege als schiefe Handyfotos. Statt jeden Beleg manuell abzutippen, extrahiert die KI Datum, Betrag, Aussteller und Verwendungszweck und stellt die Daten strukturiert bereit. Bei kritischen Werten – insbesondere Beträgen – gilt allerdings dieselbe Regel wie überall: Zahlen, die in Buchhaltung oder Rechnungen einfließen, werden stichprobenartig gegen das Original geprüft. Eine falsch erkannte Ziffer ist selten, aber sie kommt vor.
Wo die Grenzen liegen
Bei aller Begeisterung lohnt ein nüchterner Blick auf das, was multimodale KI nicht leistet. Sie sieht auf Bildern nur, was tatsächlich erkennbar ist: Ein unscharfes Foto einer Platine bei schlechtem Licht führt zu vagen Antworten, und die KI neigt in solchen Fällen dazu, trotzdem selbstbewusst zu formulieren. Wenn die Bildqualität schlecht ist, ist die Antwort mit besonderer Vorsicht zu genießen – im Zweifel hilft ein zweites, besseres Foto mehr als eine längere Diskussion mit dem Assistenten.
Auch bei der Einschätzung physischer Sachverhalte ist Zurückhaltung angebracht. Die KI kann anhand eines Fotos plausible Vermutungen über einen Wasserschaden oder ein defektes Bauteil anstellen, aber sie kann weder messen noch anfassen noch hinter die Verkleidung schauen. Sicherheitsrelevante Entscheidungen – Elektrik, Gas, Statik, Medizin – gehören grundsätzlich in die Hände von Fachleuten; die KI taugt hier als Vorbereitung auf das Fachgespräch, nicht als Ersatz dafür.
Und schließlich der Datenschutz: Ein Foto transportiert oft mehr Information als beabsichtigt. Auf dem Bild vom Schreibtisch liegt vielleicht die Patientenakte, auf dem Screenshot der Fehlermeldung ist die Kundendatenbank im Hintergrund sichtbar. Vor dem Hochladen gilt derselbe Maßstab wie bei Text: keine personenbezogenen Daten Dritter und keine vertraulichen Geschäftsunterlagen in Dienste geben, deren Datenverarbeitung man nicht kennt. Viele Anbieter bieten Geschäftskonten an, bei denen Eingaben nicht für das Training verwendet werden – für den betrieblichen Einsatz ist das die richtige Basis.
Fazit: So starten Sie
Multimodale KI senkt die Einstiegshürde in den KI-Alltag erheblich, weil sie dort ansetzt, wo Information ohnehin schon vorliegt: als Foto, als Sprachnachricht, als PDF-Stapel. Wer den Umweg über das Abtippen weglässt, spart nicht nur Zeit, sondern erschließt der KI ganze Aufgabenfelder, die vorher außen vor blieben.
Drei konkrete nächste Schritte: Fotografieren Sie diese Woche eine echte Fehlermeldung oder ein Typenschild und lassen Sie sich den Inhalt erklären – so erleben Sie den Bildeingang einmal am eigenen Fall. Diktieren Sie Ihre nächste längere E-Mail, statt sie zu tippen, und lassen Sie die KI den Rohtext glätten. Und laden Sie ein längeres PDF aus Ihrem Arbeitsalltag hoch, stellen Sie drei Fragen dazu und prüfen Sie die Antworten anschließend im Original – dieses Wechselspiel aus Delegieren und Kontrollieren ist die Kernkompetenz im Umgang mit multimodaler KI. Wenn Sie diese Arbeitsweisen strukturiert in Ihr Team bringen möchten, unterstützt FJ Design mit praxisnahen KI-Workshops und bei der Einführung passender Werkzeuge.