KI-Mail schreiben: Ablauf statt „schreib eine E-Mail"
KI-Mail richtig nutzen: Rohtext statt leerer Bitte, ein Prüfschritt gegen erfundene Zusagen und ein Ton, der zur eigenen Stimme passt.
Der Prompt „Schreib eine E-Mail an einen Kunden wegen der Lieferverzögerung" liefert fast immer denselben Text: höflich, korrekt formuliert, und komplett austauschbar. Kein Datum, keine konkrete Ursache, kein Bezug zur vorherigen Nachricht des Kunden. Das Modell füllt jede Lücke, die du ihm lässt, mit etwas Plausiblem — und plausibel ist nicht dasselbe wie richtig.
Der Unterschied zwischen einer KI-Mail, die sofort raus kann, und einer, die erst umgeschrieben werden muss, entsteht selten beim Formulieren. Er entsteht davor, bei der Frage, was das Modell überhaupt an Grundlage bekommt.
Was eine KI-Mail tatsächlich zuverlässig macht
- Die vorherige Nachricht im Wortlaut mitgeben, nicht nur zusammenfassen — Formulierungen, auf die geantwortet wird, gehen sonst verloren.
- Das gewünschte Ergebnis konkret benennen: eine Zusage, eine Absage, eine Nachfrage, ein neuer Termin — nicht nur „antworte darauf".
- Ton und Länge vorgeben, an einer bestehenden E-Mail von dir festgemacht: „so direkt wie diese hier", nicht „professionell aber freundlich".
- Jede Zusage — ein Datum, ein Betrag, ein „das kümmern wir uns darum" — vor dem Versenden gegen die tatsächliche Lage prüfen, nicht gegen das, was sich im Entwurf gut anhört.
Der letzte Punkt wiegt am schwersten. Eine E-Mail mit falschem Ton lässt sich nachbessern. Eine E-Mail mit einer Zusage, die niemand halten kann, ist verschickt und bleibt dokumentiert — an einer Formulierung merkt man das nicht, weil sie genauso selbstbewusst klingt wie eine, die stimmt.
Ein Ablauf für die Mail, nicht nur für den Text
- Kopiere die E-Mail, auf die du antwortest, komplett in den Chat — nicht nur den Teil, der dir wichtig erscheint.
- Beschreibe das Ziel in einem Satz: was soll die Empfängerin nach dem Lesen wissen oder tun.
- Gib eine eigene E-Mail als Tonbeispiel mit, wenn der Ton entscheidend ist — an einen langjährigen Kunden anders als an eine Behörde.
- Lies den Entwurf einmal komplett gegen die Ausgangslage: jedes Datum, jeden Betrag, jede Zusage. Was nicht aus deiner eigenen Information stammt, gehört raus oder muss erst geprüft werden.
- Kürze erst danach von Hand um das, was sich wiederholt — ein Modell schreibt tendenziell länger, als eine E-Mail sein muss.
Ein Beispiel von Anfang bis Ende
Schwacher Prompt: „Schreib eine E-Mail an einen Kunden wegen der Lieferverzögerung." Ergebnis: eine allgemeine Entschuldigung, ein vages „wir arbeiten mit Hochdruck daran" und ein neues Lieferdatum, das sich das Modell frei ausgedacht hat, weil keins vorgegeben war.
Vollständiger Prompt: „Hier ist die E-Mail des Kunden [eingefügt]. Antworte darauf: Die Lieferung verzögert sich wegen eines Lieferantenausfalls um zehn Werktage, neues Datum ist der 14. Oktober. Ton wie in dieser E-Mail von mir [eingefügt] — direkt, ohne lange Entschuldigungsfloskeln. Biete am Ende einen Rabatt von 5 Prozent auf die nächste Bestellung an." Das Ergebnis nennt das tatsächliche Datum, die tatsächliche Ursache und den tatsächlichen Rabatt — nichts davon musste im Nachhinein korrigiert werden, weil es vorher feststand.
Eine E-Mail, die gut klingt, ist noch keine fertige E-Mail. Fertig ist sie erst, wenn jede Zahl und jede Zusage darin mit der tatsächlichen Lage übereinstimmt.
Wo die Werkzeuggrenzen liegen
Ein Modell kennt die Beziehung zur Empfängerin nicht — ob mit dieser Kundin schon einmal ein Konflikt bestand, ob ein bestimmter Ton beim letzten Mal schlecht ankam. Diese Information musst du selbst mitgeben, sonst trifft das Modell eine neutrale Annahme, die zur Vorgeschichte nicht passt. Der zweite, folgenreichere Punkt: Ein Modell füllt eine fehlende Angabe — ein Datum, einen Betrag, eine Zuständigkeit — mit einer plausiblen Vermutung, nicht mit einer Lücke. Diese Vermutung liest sich in der fertigen Mail genauso überzeugend wie eine echte Zusage.
Wie verbreitet der Einsatz solcher Werkzeuge im Arbeitsalltag inzwischen ist, zeigt der Bitkom in seinen Erhebungen zum KI-Einsatz in deutschen Unternehmen. Welche Aufgaben sich davon technisch grundsätzlich automatisieren lassen und welche weiterhin eine Prüfung durch eine Person brauchen, untersucht laufend das IAB.
Die OECD-Leitlinien zu KI nennen die menschliche Prüfung als festen Bestandteil eines verantwortungsvollen Einsatzes, nicht als optionalen letzten Schritt — bei einer E-Mail heißt das: jede Zusage gegen die tatsächliche Lage gegenlesen, bevor sie ankommt. Wie schnell sich die zugrundeliegenden Modelle weiterentwickeln, verfolgt der Stanford AI Index systematisch Jahr für Jahr — der Abstand zwischen einer überzeugend klingenden und einer tatsächlich richtigen Ausgabe schließt sich, aber langsamer, als es sich beim ersten Ausprobieren anfühlt.
Genau diese Prüfroutine ist Teil dessen, wofür der Arbeitsmarkt laut PwC AI Jobs Barometer einen deutlichen Gehaltsaufschlag zahlt — nicht das Erzeugen eines Textes an sich, sondern die Fähigkeit zu erkennen, welche Stelle darin noch von Hand geprüft werden muss.
Was du am Montag ausprobierst
- Nimm die nächste E-Mail, die du ohnehin beantworten musst — nicht eine Testmail.
- Kopiere die eingehende Nachricht komplett in den Chat, statt sie nur zu beschreiben.
- Gib das gewünschte Ergebnis in einem Satz vor, bevor du auf „schreiben" klickst.
- Lies den Entwurf einmal Wort für Wort gegen die Ausgangslage, bevor du ihn abschickst.
Klingt der fertige Entwurf am Ende eher nach einer Vorlage als nach dir selbst, geht KI-Text humanisieren genau diesen letzten Schritt durch. Beantwortest du dieselbe Art Anfrage mehrere Male pro Woche, spart Custom GPT erstellen die Arbeit, den Kontext jedes Mal neu zu erklären. Für dieselbe Sorgfalt bei anderen Büroaufgaben mit KI gilt KI im Büro genauso. Soll gleich eine ganze Routine aus wiederkehrenden E-Mails automatisiert werden, zeigt Workflow-Automatisierung den nächsten Schritt danach. Plant dein Team dazu eine ganze ChatGPT-Schulung, entscheidet auch hier vor allem eins über den Nutzen: ob an echten E-Mails geübt wird oder nur zugeschaut. Trägt am Ende jemand mit dem Jobtitel „KI-Manager" die Verantwortung für solche Vorlagen, gilt derselbe Prüfschritt — mehr dazu in KI-Manager.
Genau diese Fähigkeit — konkret vorgeben statt vage zu bitten, und das Ergebnis gegen die eigentliche Lage zu prüfen — vermittelt Coursium in kurzen Lektionen fürs Handy. Bleib der KI voraus mit Übungen an echten Aufgaben statt an Demo-Mails. Mehr zu diesem Ansatz steht über Coursium.