KI programmieren: Ein Ablauf für dein erstes eigenes Skript im Job

„KI programmieren" klingt nach einem Klassenzimmer voller Formeln. Gemeint ist in der Praxis fast immer etwas anderes: Ein Modell wie ChatGPT oder Claude schreibt für dich den Code zu einer kleinen Aufgabe, die du sonst selbst hättest tippen müssen — eine Excel-Formel, ein Makro, ein kurzes Skript. Ein eigenes KI-Modell zu bauen ist etwas ganz anderes und für die allermeisten Büroaufgaben schlicht nicht nötig.

Der Haken ist derselbe wie beim Formulieren eines Textes: Wer nur „schreib mir ein Skript, das meine Tabelle aufräumt" eintippt, bekommt etwas Generisches zurück, das an der eigenen Tabelle vorbeigeht. Das Modell kennt weder deine Spalten noch dein Ziel — es füllt die Lücke mit einer plausiblen Vermutung.

Dass sich das trotzdem lohnt, wenn man es richtig angeht, zeigt der PwC AI Jobs Barometer: Über rund eine Milliarde Stellenanzeigen hinweg verdienen Menschen mit KI-Kenntnissen einen deutlichen Gehaltsaufschlag — und wie verbreitet der Einsatz solcher Werkzeuge in deutschen Unternehmen inzwischen ist, misst der Bitkom regelmäßig.

Wofür sich das im Job wirklich eignet

Nicht jede Aufgabe, bei der „Code" vorkommt, eignet sich für diesen Weg. Am zuverlässigsten funktioniert es dort, wo die Aufgabe klein, wiederholbar und leicht zu prüfen ist.

• —Ein Makro, das in einer Excel- oder Google-Sheets-Tabelle immer denselben Aufräumschritt übernimmt — Duplikate entfernen, ein Datumsformat vereinheitlichen, eine Spalte umrechnen.
• —Ein kleines Skript, das Dateien nach einem festen Muster umbenennt oder sortiert, statt es Woche für Woche von Hand zu tun.
• —Eine Formel oder ein kurzes Snippet, das zwei Werkzeuge verbindet, die du bereits benutzt — zum Beispiel eine Tabelle automatisch aus einem Formular befüllen.

Ungeeignet ist der Weg dort, wo ein Fehler teuer wird, bevor ihn jemand bemerkt — eine Software, die Kundendaten verarbeitet, oder ein Skript, das automatisch etwas verschickt oder löscht, ohne dass vorher jemand draufschaut.

Drei Stufen von KI-Hilfe beim Programmieren

Nicht jede KI-Hilfe beim Programmieren sieht gleich aus, und für ein einzelnes Büro-Skript brauchst du meistens nur die einfachste Stufe.

• —Die Autovervollständigung: schlägt dir Zeile für Zeile vor, was als Nächstes kommen könnte, während du selbst tippst — hilfreich, wenn du bereits grob weißt, was du schreiben willst.
• —Der Chat-Assistent: Du beschreibst die Aufgabe in ganzen Sätzen, er liefert das fertige Skript oder Makro auf einmal — der Weg, um den es in diesem Artikel geht.
• —Der eigenständige Agent: Bekommt ein größeres Ziel und erledigt mehrere Schritte selbst, inklusive eigenem Testen — für ein einzelnes Excel-Makro mehr Werkzeug, als du brauchst.

Für die allermeisten Büroaufgaben reicht die zweite Stufe: ein Chat, dem du eine konkrete Aufgabe beschreibst und der dir ein vollständiges, kommentiertes Ergebnis zurückgibt, das du selbst einfügst und ausführst.

Ein Beispiel von Anfang bis Ende

Nimm eine Aufgabe, die in vielen Teams monatlich anfällt: eine Rohdatenliste aus dem CRM aufräumen, bevor sie in den Bericht geht — doppelte Zeilen raus, das Datumsformat vereinheitlichen, eine Spalte mit Beträgen von Text in Zahlen umwandeln.

Der erste Versuch scheitert meistens am Prompt selbst. „Schreib mir ein Makro, das meine Tabelle aufräumt" liefert Code für eine Tabelle, die es nicht gibt. Brauchbarer ist es, die Ausgangslage konkret zu beschreiben: „Ich habe eine Google-Sheets-Tabelle mit den Spalten Datum, Kunde, Betrag. Schreib mir ein Apps-Script, das doppelte Zeilen anhand von Datum und Kunde entfernt, das Datum ins Format TT.MM.JJJJ bringt und den Betrag als Zahl statt als Text speichert. Kommentiere jeden Schritt kurz auf Deutsch."

Das Ergebnis ist ein erster Entwurf, kein fertiges Werkzeug. Häufig nimmt er eine Spaltenreihenfolge an, die bei dir anders ist, oder er behandelt eine leere Zelle anders, als du erwartest. Genau das prüfst du — nicht am fertigen Bericht, sondern an einer Kopie der Tabelle mit ein paar absichtlich unsauberen Testzeilen, bevor das Skript an die echten Daten darf.

Das Einfügen selbst braucht keine Entwicklungsumgebung. In Google Sheets öffnest du über „Erweiterungen" den Apps-Script-Editor, fügst den Code in eine leere Datei ein und startest ihn über das Play-Symbol. In Excel liegt derselbe Schritt unter „Entwicklertools" → „Visual Basic" → „Einfügen" → „Modul", gefolgt von „Ansicht" → „Makros", um es laufen zu lassen. Beide fragen beim ersten Start nach einer Berechtigung, weil das Skript auf die Tabelle zugreifen darf — das ist normal und kein Hinweis auf einen Fehler.

Die Grenzen, die dir kein Werkzeug von selbst sagt

Ein Modell erfindet bei Code genauso selbstbewusst wie bei einem Text — nur dass ein erfundener Funktionsname hier nicht wie ein Tippfehler aussieht, sondern wie eine Funktion, die es in einer älteren Version der Software einmal gab oder nie gegeben hat. Der Code wirkt vollständig und bricht trotzdem beim Ausführen ab, oder schlimmer: Er läuft durch und liefert ein falsches Ergebnis, ohne eine Fehlermeldung zu zeigen.

Code, der nicht läuft, fällt sofort auf. Gefährlich ist der Code, der läuft — und trotzdem das Falsche tut.

Wie stabil sich dieser Abstand zwischen „läuft" und „stimmt" tatsächlich schließt, verfolgt der AI Index von Stanford Jahr für Jahr — langsamer, als es sich beim Ausprobieren eines neuen Modells anfühlt. Für ein Skript heißt das: Die Testzeilen mit einem von Hand nachgerechneten Ergebnis sind kein optionaler letzter Schritt, sondern der Teil, der den Unterschied zwischen Zeit sparen und einen Fehler in Serie produzieren ausmacht.

Eine zweite Grenze betrifft nicht den Code, sondern die Daten, die du hineingibst: Echte Kundendaten oder Gehaltszahlen gehören nicht ungeprüft in ein öffentliches Chat-Fenster, nur um „mal eben ein Skript zu testen". Nimm dafür eine anonymisierte Kopie mit denselben Spalten und erfundenen Werten — das Ergebnis lässt sich genauso gut prüfen, ohne dass echte Daten das Haus verlassen.

Welche Aufgaben sich technisch überhaupt so automatisieren lassen, untersucht laufend das IAB — ein nützlicher Anhaltspunkt dafür, wie viel von der eigenen Arbeit grundsätzlich dazugehört, unabhängig vom einzelnen Skript. Und die OECD-Leitlinien zu KI nennen die menschliche Prüfung ausdrücklich als festen Bestandteil, nicht als Kür — bei Code genauso wie bei einem Text.

Was du am Montag ausprobierst

1. 01Wähl eine Aufgabe, die du ohnehin regelmäßig von Hand machst — nicht ein Testbeispiel ohne echten Nutzen.
2. 02Beschreib dem Modell die genauen Spalten oder Dateinamen, mit denen es arbeiten soll, statt nur das gewünschte Ergebnis.
3. 03Lass dir jeden Schritt kurz kommentieren, damit du nachvollziehen kannst, was der Code tut, bevor du ihn laufen lässt.
4. 04Test das Ergebnis zuerst an einer Kopie mit einem von Hand nachgerechneten Ergebnis — erst danach an den echten Daten.

Baust du dasselbe Skript öfter als einmal, lohnt sich Custom GPT erstellen, damit du Spaltennamen und Regeln nicht bei jeder Anfrage neu erklären musst. Steckt die Rohdatenliste ohnehin in einer großen Tabelle, zeigt Excel auswerten lassen denselben Zwischenschritt-Ablauf für eine Auswertung statt für ein Skript. Die Prüfgewohnheit selbst — ein Ergebnis gegen die Quelle nachrechnen, bevor es rausgeht — ist dieselbe wie in KI im Büro beschrieben. Zweifelst du, ob dein aktuelles Werkzeug für ein größeres Skript überhaupt reicht, hilft ein Test gegen eine ChatGPT Alternative mehr als ein zweiter Versuch mit demselben Modell. Und liefert dir eine Kollegin die Ausgangsdaten als PDF statt als Tabelle, geht PDF mit KI zusammenfassen denselben Weg von der Rohinformation zum geprüften Ergebnis.

Genau diese Abfolge — konkret beschreiben, was das Modell tun soll, und das Ergebnis an einer bekannten Probe prüfen — übt Coursium in kurzen Lektionen fürs Handy. Bleib der KI voraus mit Übungen, die zu einer echten Aufgabe passen, nicht zu einem Demo-Skript. Mehr zu diesem Ansatz steht über Coursium.