88% aller Unternehmen nutzen KI. Aber nur 23% schaffen es über die Pilotphase hinaus (McKinsey, 2025).
Die anderen 77%? Die haben Tools. Aber keine Workflows.
Rovo, NotebookLM, Custom GPTs — das sind keine Spielzeuge. Das sind Arbeitstiere. Tools, die ganze Aufgaben übernehmen. Nicht „E-Mail zusammenfassen”. Sondern: Workshop dokumentieren, Mitarbeiter einarbeiten, tausende Datenpunkte auswerten.
Aber nur, wenn du sie richtig fütterst.
In diesem Newsletter zeige ich dir drei Workflows — mit konkreten Schritten, Fakten und dem einen Punkt, an dem jeder dieser Workflows scheitert, wenn du ihn ignorierst.
🎙️ You prefer to listen to the newsletter? Here is a short, AI-generated audio summary of this issue:
3 KI-Workflows für Jira, Onboarding und Feedback
Workflow 1: Workshop → Jira-Backlog in 12 Minuten (Atlassian Rovo)
The problem: Dein Team investiert drei Stunden in einen Strategie-Workshop. Die Energie ist hoch. Dann schreibt jemand „die Notizen zusammen”. Zwei Wochen später ist die Hälfte verloren.
So geht’s:
Schritt 1 — Aufnahme starten. Zoom-Recording, Loom oder Handy-Mikrofon. Kein Profi-Setup nötig. Was zählt, ist das Transkript.
Schritt 2 — Transkript in den Rovo-Agenten laden. Wir konfigurieren einen Custom Rovo Agent mit drei Aufträgen: Entscheidungen extrahieren. Aufgaben identifizieren. Offene Fragen markieren.
Schritt 3 — Jira-Tickets automatisch generieren. Jede Aufgabe wird ein Jira-Issue — mit Priorität, Zuweisungsvorschlag und Zeitstempel zurück zum Original-Transkript.
Schritt 4 — 10 Minuten Review. Die Projektleitung prüft, passt Prioritäten an, gibt frei. Fertig.
The result: 12 Minuten vom Workshop-Ende bis zum strukturierten Backlog. Vorher: 3–5 Stunden manuelle Dokumentation.
Die Kommunikationsschicht: Dieser Workflow funktioniert nur, wenn der Workshop selbst klare Entscheidungsmomente hat. Vage Diskussionen produzieren vage Tickets. Deshalb passen wir immer zuerst die Workshop-Struktur an — klarere Fragen, explizite Aufgabenformulierungen, saubere Übergänge. Das Tool erledigt den Rest.
Workflow 2: 300 Quellen → Onboarding-Schulung in einem Tag (Google NotebookLM)
The problem: Ein neuer Mitarbeiter startet. Drei Wochen lang liest er sich durch Wikis, alte Präsentationen und verstreute Dokumente. Niemand weiss, ob er danach wirklich versteht, wie das Unternehmen tickt.
So geht’s:
Schritt 1 — Quellen sammeln. Lade bis zu 300 Dokumente in ein NotebookLM-Notebook: Prozessdokumentationen, Strategiepapiere, FAQ-Sammlungen, Projekt-Retrospektiven. PDFs, Google Docs, Webseiten — alles geht.
Schritt 2 — Audio-Briefings generieren. NotebookLM erstellt automatisch Podcast-artige Zusammenfassungen (Beispiel: die Audio-Zusammenfassung in diesem Newsletter ist damit generiert). Ein neuer Mitarbeiter hört sich in 30 Minuten durch das Kernwissen, für das er sonst drei Tage lesen würde.
Schritt 3 — Lernkarten und Quiz erstellen. Aus denselben Quellen generiert NotebookLM Flashcards und Verständnisfragen. Der neue Mitarbeiter kann sein Wissen sofort testen.
Schritt 4 — FAQ-Bot aktivieren. Der Mitarbeiter stellt Fragen direkt an das Notebook — und bekommt Antworten mit Quellenverweisen. Kein „frag mal den Kollegen, der das damals gemacht hat.”
The result: Ein strukturiertes Onboarding-Programm in einem Tag erstellt. Statt drei Wochen Einlesezeit bekommt ein neuer Mitarbeiter Audio-Briefings, Lernkarten und einen persönlichen Wissens-Assistenten.
Die Kommunikationsschicht: Auch hier gilt: NotebookLM ist nur so gut wie die Quellen. Wenn deine Prozessdokumentation veraltet oder widersprüchlich ist, produziert das Tool veraltete oder widersprüchliche Onboardings. Der erste Schritt ist immer: Dokumentation ausmisten. Dann das Tool draufsetzen.
Workflow 3: 1.000 Survey-Antworten → Analyse in 2 Stunden (Custom GPTs)
The problem: Du hast eine Mitarbeiter- oder Kundenbefragung durchgeführt. 500 offene Antworten. Normalerweise braucht ein professionelles Research-Team zwei bis drei Wochen für die Auswertung. Oder es bleibt bei einer Excel-Tabelle, die niemand liest.
So geht’s:
Schritt 1 — Daten strukturieren. Exportiere die Rohdaten als CSV. Prüfe: Sind die Spalten sauber benannt? Gibt es eine klare Zuordnung (Abteilung, Standort, Rolle)? Ist der Header in eine Zeile zusammengefasst?
Schritt 2 — Custom GPT mit Analyse-Prompt konfigurieren. Lade die CSV in den GPT. Der Prompt definiert drei Aufgaben: Thematische Analyse (welche Themen kommen am häufigsten vor?), Sentiment-Scoring (positiv/neutral/negativ pro Abteilung), und Einflussfaktoren identifizieren (was korreliert mit Zufriedenheit?).
Schritt 3 — Ergebnisse in Klartext übersetzen. Der GPT liefert keine Tabellen — er liefert Insights und Handlungsempfehlungen in verständlicher Sprache. „Abteilung X zeigt die niedrigste Zufriedenheit bei Entscheidungsgeschwindigkeit. Empfehlung: Wöchentliches 15-Minuten-Standup einführen.”
Schritt 4 — Visualisierungen generieren. Lasse den GPT die wichtigsten Muster als Charts aufbereiten — Sentiment-Verteilung, Top-5-Themen, Abteilungsvergleich. Präsentationsfertig.
The result: 2 Stunden statt 2 Wochen. Wir nutzen diesen Workflow für den Culture Compass — unser Diagnose-Tool für Team-Readiness.
Die Kommunikationsschicht: Der Cisco AI Workforce Report bestätigt es: Agentische Systeme zeigen bis zu 298% Produktivitätssteigerung — aber nur bei klar strukturierten Daten und Aufgaben. Ein vager Fragebogen produziert vage Analyse. Deshalb designen wir immer zuerst die Fragen. Dann kommt das Tool.
Das Muster hinter allen drei Workflows
Hast du es bemerkt? Jeder Workflow hat vier Schritte. Und jeder Workflow scheitert am gleichen Punkt: schlechter Input.
Rovo braucht einen strukturierten Workshopablauf. NotebookLM braucht aktuelle Quellen. Custom GPTs brauchen saubere Daten.
Kommunikation ist das Betriebssystem. KI ist nur die App, die darauf läuft.
Die KI-Arbeitstiere live erleben
Komm zum KI Café am 11. März. Wir zeigen alle drei Workflows, wie sie bei MMIND.ai im Tageseinsatz sind — mit echten Daten und konkreten Demos. 16:30–18:30 Uhr in Schaan.
Oder buch dir here einen 20-Minuten-Blick auf deinen spezifischen Engpass.
