Aufgaben sprechen statt tippen: Was KI heute wirklich kann

Über künstliche Intelligenz im Arbeitsalltag gibt es gerade viele Pressemitteilungen und wenig Brauchbares. Dieser Text beantwortet die Fragen, die man vor dem Einsatz tatsächlich hat: Was versteht so ein System? Wann liegt es daneben? Was kostet das? Und wo landet das, was ich gesagt habe?

Vorweg, damit die Erwartung stimmt: Spracherkennung ist seit etwa 2023 so gut, dass sie im Alltag trägt. Sie ist aber kein Zauberstab, und die Stellen, an denen sie versagt, sind vorhersehbar.

Das eigentliche Problem ist nicht das Tippen

Niemand hat ein Problem mit Tippen. Das Problem ist der Zeitpunkt.

Aufgaben entstehen nicht am Schreibtisch – das ist der eigentliche Hebel bei der Aufgabenverwaltung. Sie entstehen auf der Fahrt zum nächsten Termin, im Treppenhaus, beim Kunden an der Tür, zwei Minuten vor Feierabend. In diesen Momenten ein Formular mit acht Feldern auszufüllen, ist nicht unbequem — es ist praktisch unmöglich.

Also passiert eines von drei Dingen: Die Aufgabe wird vergessen, sie landet in einer WhatsApp-Nachricht und versinkt dort, oder sie steht auf einem Zettel, der abends abgetippt werden müsste. Meistens wird er nicht abgetippt.

Darum geht es bei Sprache als Eingabe. Nicht um Bequemlichkeit, sondern darum, dass die Erfassung überhaupt stattfindet.

Eine kurze Rechnung

Ein Team von acht Leuten, bei dem jeder am Tag drei Dinge erfassen müsste. Das sind 24 Erfassungen täglich.

Aber das ist nicht einmal der Hauptpunkt. Der Hauptpunkt ist, dass von den 24 Erfassungen beim Tippen erfahrungsgemäß nur zehn bis fünfzehn tatsächlich passieren. Der Rest fällt unter den Tisch – und die Kosten dafür stehen in keiner Tabelle.

Was dabei technisch passiert

Es sind zwei getrennte Schritte, und das zu wissen hilft beim Einschätzen von Fehlern.

Schritt eins: Ton wird Text. Die Aufnahme geht an ein Erkennungsmodell, das daraus geschriebene Sprache macht. Dieser Schritt ist heute erstaunlich gut — auch bei Umgebungsgeräuschen, auch bei Dialekt, auch bei Fachbegriffen, solange sie irgendwo im Deutschen vorkommen.

Schritt zwei: Text wird Struktur. Ein zweites Modell liest den Text und ordnet ihn Feldern zu: Was ist der Titel, wer ist gemeint, welches Datum, welches Projekt. Hier entstehen die meisten Fehler — und hier ist auch die Qualität sehr unterschiedlich.

Wenn also etwas falsch ankommt, lohnt der Blick darauf, welcher der beiden Schritte danebenlag. Gute Werkzeuge zeigen deshalb an, was verstanden wurde, bevor etwas gespeichert wird.

Warum das für euch wichtig ist

Wenn der erkannte Text stimmt, aber das Projekt falsch zugeordnet wurde, liegt es an Schritt zwei – und das lässt sich beheben, indem ihr den Projektnamen so sagt, wie er im System steht.

Wenn schon der Text falsch ist, war es Schritt eins. Dann hilft nur: näher ans Mikrofon, langsamer, Motor aus.

Was zuverlässig funktioniert

Zeitangaben. „Morgen", „bis Freitag", „nächste Woche Dienstag", „Ende des Monats" werden in ein echtes Datum umgerechnet. Das klappt gut, weil Sprache beim Datum erstaunlich eindeutig ist. Vorsicht nur bei „nächsten Montag" – ob damit der kommende oder der übernächste gemeint ist, verstehen nicht einmal Menschen einheitlich.

Namen. Vornamen reichen, auch bei abweichender Schreibweise. „Nima", „Nimma" und „Nina" landen bei derselben Person, solange es nur eine gibt, die so ähnlich heißt. Bei zwei Michaels im Team braucht es den Nachnamen.

Mehrere Aufgaben in einem Durchgang. Wer drei Sachen hintereinander sagt, bekommt drei Aufgaben. Das ist der eigentliche Zeitgewinn: einmal reden statt dreimal tippen.

Unterpunkte. „Vorher noch …", „und dann …" werden als Arbeitsschritte erkannt und hängen sich an die richtige Aufgabe, statt eigene zu werden.

Dringlichkeit. „Dringend", „Notfall", „brennt" werden zu hoher Priorität, „wenn Zeit ist" oder „kein Stress" zu niedriger.

Umgangssprache. „Muss noch", „sollte mal jemand", „am besten gleich" wird verstanden. Man muss nicht in Stichworten sprechen – im Gegenteil, vollständige Sätze funktionieren besser als Telegrammstil.

Woran es scheitert

Das steht in keinem Werbeprospekt, ist aber das Wichtigere.

Verweise auf Dinge, die nur du kennst. „Die Sache von neulich" kann kein System auflösen, weil die Information nirgends steht. Menschen könnten nachfragen; ein Erkennungssystem erfindet dann entweder etwas oder lässt es leer. Lass es leer — alles andere wäre schlimmer.

Projekte, die es nicht gibt. Wer ein Projekt nennt, das im System nicht angelegt ist, bekommt im besten Fall ein leeres Feld. Im schlechtesten erfindet das System ein ähnlich klingendes. Prüf das.

Sehr lange Monologe. Nach anderthalb Minuten verlieren die meisten Leute selbst den Faden, und die Zuordnung wird schlechter. Zwei, drei Sätze je Aufnahme sind besser als eine Dreiminutenrede.

Echter Lärm. Normales Baustellenrauschen ist kein Problem. Ein laufender Winkelschleifer direkt daneben schon. Dasselbe gilt fürs Freisprechen bei offenem Fenster und 120 km/h: Nicht der Motor stört, sondern der Wind am Mikrofon.

Zahlen und Maße. „Zwei Meter zwanzig" wird meist richtig, „2,20 m x 0,80 m" gesprochen oft nicht. Für Maße, Artikelnummern und Kontonummern ist Tippen weiterhin der sichere Weg.

Mehrere Sprecher. Wenn im Auto zwei Leute reden, nimmt die Erkennung beide auf und mischt sie zu einem Text. Das ergibt Unsinn.

Dialekt: besser als sein Ruf

Eine der häufigsten Sorgen, und meistens unbegründet. Moderne Modelle sind auf sehr viel gesprochenem Deutsch trainiert, einschließlich regionaler Färbung. Schwäbisch, Bayerisch oder Norddeutsch mit kräftigem Einschlag werden in aller Regel erkannt.

Wo es kippt: echtes Platt, Schwyzerdütsch und stark dialektale Fachbegriffe. Wenn bei euch ein Wort benutzt wird, das außerhalb von drei Landkreisen niemand kennt, wird es auch nicht erkannt.

Die wichtigste Regel: Nichts ohne Vorschau

Die Vorschau ist kein Komfort, sondern die Bedingung dafür, dass das Ganze funktioniert. Sie leistet drei Dinge:

1. Du siehst, was verstanden wurde — der wörtliche Text. Daran erkennst du sofort, ob es am Zuhören oder am Zuordnen lag.
2. Du siehst, welche Felder gefüllt wurden, und kannst sie ändern, bevor etwas entsteht.
3. Du entscheidest, ob es überhaupt eine Aufgabe wird.

Ein Werkzeug ohne diesen Zwischenschritt mag in der Produktvorführung schneller aussehen. Im Alltag erzeugt es Aufgaben, die niemand gesagt hat, und die muss jemand wieder aufräumen.

Ein zweiter Grund, der selten genannt wird: Vertrauen. Wer dreimal erlebt hat, dass etwas Falsches gespeichert wurde, benutzt die Funktion nicht mehr. Die Vorschau kostet fünf Sekunden und rettet die Akzeptanz.

Was es kostet

Spracherkennung wird pro Minute abgerechnet, die Zuordnung pro verarbeitetem Text. Beides ist inzwischen sehr billig: Eine typische Aufnahme von zwanzig Sekunden kostet den Anbieter Bruchteile eines Cents.

Rechnet man großzügig – zehn Aufnahmen pro Person und Tag, zwanzig Personen, 220 Arbeitstage – landet man bei Kosten im niedrigen zweistelligen Eurobereich. Im Jahr, für den ganzen Betrieb.

Das heißt für euch zweierlei:

• Wenn ein Anbieter die Sprachfunktion als teures Zusatzpaket verkauft, zahlt ihr nicht die Technik, sondern die Positionierung.
• Wenn sie unbegrenzt kostenlos ist, zahlt jemand anderes dafür — meistens über den Grundpreis, manchmal über eure Daten.

Begrenzungen wie „zehn Aufnahmen am Tag" sind ehrlicher als sie klingen: Sie bedeuten, dass der Anbieter die Kosten offen kalkuliert, statt sie zu verstecken. Für den Alltag reichen sie fast immer; wer mehr braucht, sollte sagen können, wofür.

Was mit der Aufnahme passiert

Die Frage, die zu selten gestellt wird. Vor dem Einsatz solltet ihr vier Antworten schriftlich haben:

Wenn Aufnahmen bei einem Dienstleister außerhalb des eigenen Hauses verarbeitet werden — und das ist bei allen guten Modellen so — braucht ihr dafür einen Vertrag zur Auftragsverarbeitung. Ein seriöser Anbieter legt ihn von selbst vor, statt auf Nachfrage zu warten.

Und sagt es eurem Team

Nicht, weil es vorgeschrieben wäre, sondern weil nichts ein Werkzeug schneller verbrennt als das Gefühl, heimlich mitgeschnitten zu werden.

Drei Sätze reichen: Die Aufnahme läuft nur, solange der Knopf gedrückt ist. Sie geht zur Umwandlung an einen Dienstleister und wird danach verworfen. Niemand hört sie sich an.

Wer das verschweigt und es kommt später heraus, hat ein Vertrauensproblem, das größer ist als jeder Zeitgewinn.

So spricht man, damit es ankommt

Kein Auswendiglernen nötig, aber diese fünf Gewohnheiten sparen Korrekturen:

1. Projekt zuerst. „Projekt Messe Frühjahr: …" ordnet gleich am Anfang ein.
2. Ein Verb, ein Ziel. „Unterlagen zum Kunden bringen" statt „Unterlagen".
3. Namen statt Rollen. „Nima" statt „der Kollege".
4. Zeiten relativ. „Nächste Woche Dienstag" ist eindeutiger als „am 13.".
5. Kurz halten. Lieber dreimal zwanzig Sekunden als einmal eine Minute.

Und eine Gewohnheit, die man sich abgewöhnen sollte: in Stichworten sprechen. Die Modelle sind auf ganze Sätze trainiert. „Berger, Angebot, Freitag" ist schlechter als „Das Angebot für Berger muss bis Freitag raus."

Wo Sprache nicht hilft

Damit das Bild vollständig ist:

• Lange Beschreibungen. Wer einen Absatz diktiert, bekommt einen Absatz ohne Absätze. Tippen ist hier besser.
• Exakte Zahlen, Artikelnummern, Maße. Zu fehleranfällig.
• Alles, was juristisch zählt. Ein Abnahmeprotokoll diktiert man nicht nebenbei.
• Stille Umgebungen. In einem Großraumbüro will niemand seine Aufgaben vorlesen. Dort ist Tippen schlicht angenehmer.
• Vertrauliches in Gegenwart anderer. Was man nicht laut sagen würde, sagt man auch nicht ins Telefon.

Wie ihr es im Team einführt

Spracheingabe ist die Funktion, die am schnellsten überzeugt und am leichtesten verbrannt wird. Es gelten dieselben Regeln wie bei jeder Einführung im Team. Was sich bewährt hat:

Nicht ankündigen, sondern vorführen. Eine Minute in der Besprechung: einmal sprechen, Vorschau zeigen, übernehmen. Das überzeugt mehr als jede Erklärung.

Mit einer Person anfangen, die viel unterwegs ist. Dort ist der Gewinn am größten und sichtbarsten.

Die Grenzen mitliefern. Wer vorher weiß, dass Maße nicht gut funktionieren, ärgert sich nicht, wenn es passiert.

Freiwillig lassen. Wer lieber tippt, tippt. Zwang erzeugt hier besonders schnell Widerstand, weil es um die eigene Stimme geht.

Häufige Fragen

Zusammengefasst

• Sprache löst nicht das Tippen, sondern den Zeitpunkt: Erfassung dort, wo die Aufgabe entsteht.
• Zwei Schritte: Ton zu Text, Text zu Struktur. Fehler entstehen meist im zweiten.
• Zuverlässig: Zeitangaben, Namen, mehrere Aufgaben, Unterpunkte, Dringlichkeit, Umgangssprache.
• Unzuverlässig: Verweise auf Ungesagtes, Maße, lange Monologe, erfundene Projekte, zwei Sprecher gleichzeitig.
• Dialekt ist meist kein Problem, echtes Platt schon.
• Ohne Vorschau vor dem Speichern ist es eine Fehlerquelle mit Mikrofon.
• Die Technik kostet Bruchteile eines Cents. Was darüber hinaus verlangt wird, ist Positionierung.
• Klärt vorher, wer verarbeitet, ob gespeichert wird, ob trainiert wird und wo die Server stehen — und sagt es eurem Team.
• Ganze Sätze funktionieren besser als Stichworte.