Analyse bis Layout, so habe ich die Studie gebaut

In den letzten beiden Editionen habe ich dir gezeigt, wie die Studie entstanden ist, also wie ich recherchiert habe, wie der Fragebogen entstanden ist, und wie die Adressaten-Recherche überhaupt möglich wurde.

Heute geht es um den Teil, der dann oft still und unsichtbar passiert, aber am meisten entscheidet, ob etwas nachher wirklich brauchbar ist: Wie ich die Umfrage analysiert und aufbereitet habe, wie das Writing im Dialog funktioniert hat, und wie daraus am Schluss ein sauberes Dokument wurde.

Ich schreibe das bewusst sehr konkret, weil genau in dieser Phase sonst schnell zwei Dinge passieren. Entweder man verliert sich im Perfektionismus, oder man drückt durch und merkt erst ganz am Schluss, dass der rote Faden fehlt.

Bevor ich über Modelle, Layout und Skills spreche, kommt deshalb zuerst der wichtigste Schritt, und der ist nicht glamourös.

Herzstück Analyse, so bin ich vorgegangen

Der erste Schritt war banal, aber wichtig: Ich habe die Umfrageergebnisse anonymisiert, bevor ich sie einer KI gegeben habe. Ein Teil der Teilnehmenden wollte die Ergebnisse per E-Mail, also waren E-Mail-Adressen im Datensatz. Das ist nachvollziehbar, aber diese Daten haben in der Analyse nichts verloren.

Danach habe ich die Analyse gemeinsam mit Claude Opus in meinem Langdock Set-up gemacht. Warum Opus und nicht zum Beispiel das wesentlich effizientere Sonnet? Opus ist ein Reasoning Modell, meines Erachtens aktuell das beste am Markt. Ein starkes Reasoning Modell ist bei komplexeren Zusammenhängen präziser, und es erkennt Muster eher dort, wo ein kleineres Modell schneller in Vermutungen abrutscht. Das spart enorm viel Zeit bei der Ergebnisvalidierung.

Entscheidend war dennoch weniger das Modell als die Arbeitsweise: Opus hat zuerst seine eigenen Insights geschildert, ich habe das gelesen und dann gezielt nachgefragt. Zu Zusammenhängen, zur Interpretation, und auch zu Punkten, die sich für mich noch nicht rund angefühlt haben. Es war ein Dialog, nicht ein Output, den man einfach abnickt.

Der zweite Grund, warum die Analyse erstaunlich schnell ging, lag im Fragebogen. Ich hatte ihn so aufgesetzt, dass eigentlich nur ein einziges Feld bereinigt werden musste. Der Rest war sauber. Das war Absicht, und es ist rückblickend einer der grössten Hebel. Die meiste Datenarbeit vermeidest du nicht in der Analyse, du vermeidest sie im Design.

Als die Umfrage-Analyse stand, habe ich bereinigte Interview-Transkripte ergänzt. Das hat die Ergebnisse geerdet und es hat verhindert, dass ich aus einem Prozentwert eine zu grosse Wahrheit baue.

Co-Writing KI & ich

Beim Schreiben habe ich eine Sache bewusst nicht gemacht: Ich habe die KI nicht einfach die ganze Studie in einem Rutsch schreiben und formatieren lassen. Nicht, weil sie es nicht hätte können, sondern weil du dann oft mehr Zeit in Korrekturschleifen verbringst als in inhaltliche Entscheidungen. Was anfangs länger dauert, spart dir schlussendlich also Zeit.

Ich bin deshalb drei Phasen vorgegangen.

Phase 1 - Struktur: Zuerst habe ich mit Opus die Struktur erarbeitet. Ich habe Zielgruppe, Zweck und Tonalität mitgegeben, und mir einen Vorschlag für den Aufbau machen lassen. Opus hat vor dem Schreiben sehr gute Rückfragen gestellt, und genau das war für mich der Wert. Nicht Output, sondern ein Prozess, der den Plan zuerst sauber macht. Den Aufbau haben wir im Dialog angepasst, bis er für mich gepasst hat.

Erst als Struktur und Kapitel-Logik standen, haben wir pro Kapitel geklärt, was rein soll, welche Daten wir zeigen, und wo es Charts braucht, und wo eine Tabelle reicht. Diese Klarheit hat später viel Zeit gespart.

Phase 2 - Textproduktion: Für die eigentliche Textproduktion bin ich danach auf Sonnet umgestiegen. Wenn das Gerüst einmal steht, brauche ich kein teures Reasoning Modell mehr. Ich bin Kapitel für Kapitel durch, die Zusammenarbeit kannst du dir in etwas wie folgt vorstellen: Sonnet macht einen Entwurf, ich lese gegen, ich passe direkt im Text an, und dann geht es weiter. In Langdock ist das angenehm, weil du Änderungen nicht immer wieder als Prompt neu formulieren musst.

Phase 3 - Layout: Als der Text stand, habe ich die KI gebeten, ihn so aufzubereiten, dass Gamma ihn gut übernehmen kann. Gamma hat bei mirBranding Vorgaben, Template und Bildsprache schon drin, weil ich es ohnehin fast täglich für Slides nutze.

Wenn man Gamma sauber füttert, ist der erste Wurf bei mir bei ungefähr 80 Prozent. Das ist schnell und es ist gut. Aber die restlichen 20 Prozent sind Handwerk, da kommst du nicht drumrum. Inhaltsverzeichnis, Abstände, Platzhalter raus, Charts rein, einzelne Absätze graphisch neu aufbereiten. Und dann nochmal alles lesen, diesmal mit Layout-Brille.

Parallel dazu habe ich Grafiken über Claude in Langdock erstellen lassen und sie dann ins Gamma-Deck übernommen.

Die harte Arbeit zum Schuss - das Lektorat

Als das Deck in Gamma sauber war, habe ich es nochmal extern gegenlesen lassen. Einmal von einer Executive Search Kollegin, und einmal von einem Datenschutzexperten. Nach ein paar Runden Text, Layout und Korrekturen werden wir alle irgendwann betriebsblind.

Da kam nicht extrem viel zurück, aber genau die typischen Dinge, die man selber übersieht. Das habe ich eingearbeitet.

Und dann habe ich das finale Dokument nochmals in Opus gegeben, wie ein internes Lektorat. Roter Faden, Konsistenz, und die kleinen logischen Brüche, die sich einschleichen, wenn du Kapitel für Kapitel baust und am Schluss alles zusammenziehen musst.

Was ich heute anders machen würde

Der grösste Unterschied zu damals ist für mich nicht irgendein neues KI-Modell, wenngleich sich da viel getan hat. Es ist das Konzept "Skills".

Es wäre vergeudete Zeit, für eine einzelne Studie einen dedizierten Agenten zu bauen. Das ist zu viel Setup für etwas, das du vielleicht nie wieder genau so machst.

"Skills" sind anders, weil sie wiederverwendbar sind. Fähigkeiten, die du immer und immer wieder in deiner Arbeit brauchst. Brand Guidelines, Tonalität, Formatierung für Gamma. Das sind Bausteine, die ich sowieso brauche, auch für diesen Newsletter.

Und genau deshalb spart das Zeit. Nicht spektakulär, aber verlässlich. Langdock hat das Skills Feature kurz nachdem ich die Studie fertiggestellt habe, publiziert.

Was bedeutet das für dich?

Wenn du gelegentlich Studien durchführst, unterschätze den Analyse- und Aufbereitungsteil nicht. Der Output steht und fällt mit Reihenfolge, Rollen und Qualitätssicherung. Das meiste davon lässt sich übrigens direkt auf die Erstellung von Kandidatendossiers übertragen mit dem Unterschied, dass sich da neben "Skills" auch ein Agent lohnen würde.

KI ist auch in diesem Prozess keine Abkürzung. Sie ist ein Teammitglied, aber nur dann, wenn du sie auch so führst.

Bis bald

Elena

P.S. Wenn du wissen willst, wie ich "Skills" und Agenten aufsetze, antworte einfach auf dieses Mail.