KI im Archiv: Handwerk statt Hype
Vorwort
Ursprünglich war geplant, einen Vergleich zwischen den KI-Modellen ChatGPT, Gemini und Claude zu ziehen, um deren Eignung für spezifische archivische Anwendungsfälle zu bewerten. Zu diesem Zweck wurden die drei KI-Systeme über mehrere Monate hinweg mit verschiedenen archivischen Themen getestet. Das zentrale Ergebnis dieser Testphase war, dass der Erfolg weniger von den spezifischen Unterschieden zwischen den Werkzeugen abhängt, sondern vielmehr vom korrekten Handwerk, also der richtigen Anwendung und Technik. Mit den passenden Methoden lässt sich die Leistung jedes Modells deutlich verbessern.
Die Entwicklung im Bereich der künstlichen Intelligenz schreitet jedoch in einem so rasanten Tempo voran, dass ein klassischer Produktvergleich schnell an Relevanz verlieren würde. Bis zur Veröffentlichung wären die Ergebnisse bereits überholt. In den letzten Monaten zeigte sich in Gesprächen immer wieder, dass viele Menschen dem Thema KI mit einer Mischung aus Neugier, Respekt oder auch Überforderung begegnen. Eine Gemeinsamkeit eint diese Gruppen: Ein Gefühl des Überrolltwerdens durch die schiere Masse an Informationen, die schnelle technologische Entwicklung und die Vielzahl an selbsternannten Expertinnen und Experten.
Aus diesem Grund wurde der Fokus dieses Beitrags angepasst. Anstelle eines Vergleichs stehen nun praktische Tipps und Techniken im Vordergrund, die unmittelbar in der Praxis erprobt werden können.
Wichtige Vorbemerkungen:
-
Dieser Beitrag bezieht sich ausschließlich auf Large Language Models.
-
Die Qualität der KI-Ergebnisse hängt maßgeblich davon ab, wie das System bereits genutzt wurde. Eine KI, die bereits auf spezifische Daten und Präferenzen trainiert wurde, liefert andere Ergebnisse als eine unbenutzte Instanz ohne bisherigen Interaktionsverlauf.
-
Es hat sich in den Tests als vorteilhaft erwiesen, die Persönlichkeit der KI zu Beginn einer Sitzung zu definieren. Eine auf zynische und direkte Antworten eingestellte KI neigt zu ehrlicheren Ergebnissen, während eine betont höfliche Konfiguration häufiger zu Halluzinationen, also sachlich falschen Aussagen, führen kann
Essenzielle Begriffe für den Einstieg
Um erfolgreich mit KI-Modellen zu arbeiten, ist ein grundlegendes Verständnis einiger Schlüsselbegriffe unerlässlich. Die folgenden Erklärungen sollen das notwendige Wissen vermitteln, um direkt starten zu können, ohne sich in technischen Details zu verlieren.
-
Prompt: Ein Prompt ist die konkrete Eingabe an das KI-Modell. Er umfasst die eigentliche Aufgabe oder Frage sowie alle notwendigen Informationen, die das System zur Bearbeitung benötigt. Ein gut formulierter Prompt ist die Grundlage für ein qualitativ hochwertiges Ergebnis.
-
Kontext: Der Kontext bezeichnet alle Zusatzinformationen, die dem Modell zur Verfügung gestellt werden, um die Antwort zu präzisieren. Dazu gehören beispielsweise Angaben zur Zielgruppe, zum gewünschten Tonfall, spezifische Daten oder auch Regeln, an die sich die KI halten soll. Je mehr relevanter Kontext gegeben wird, desto passgenauer wird die Antwort.
-
LLM (Large Language Model): Large Language Models sind fortschrittliche KI-Systeme, die auf riesigen Datenmengen trainiert wurden, um menschliche Sprache zu verstehen, zu verarbeiten und selbst Texte zu generieren. Systeme wie ChatGPT, Gemini oder Claude sind Beispiele für solche LLMs.
-
Halluzination: Als Halluzination wird das Phänomen bezeichnet, bei dem ein KI-Modell scheinbar plausible, aber sachlich falsche Informationen erfindet. Ursachen hierfür können zu vage formulierte Fragen, fehlender Kontext oder die Abfrage von sehr spezifischem Wissen sein, für das der KI die Datengrundlage fehlt.
-
Systemrolle: Die Systemrolle ist eine übergeordnete Anweisung, die das Verhalten des Modells während einer gesamten Sitzung steuert. Sie legt fest, in welcher Rolle die KI agieren soll, zum Beispiel als erfahrener Archivar, der einem Laien das Provenienzprinzip erklärt. Diese Anweisung beeinflusst dauerhaft den Ton, die Tiefe und den Stil der Antworten.
-
Temperature: Die Temperature ist ein Einstellungsparameter, der die Kreativität beziehungsweise die Zufälligkeit der Modellantworten steuert. Für die archivarische Praxis bedeutet dies: Bei der Erstellung von Fachtexten, Regelwerken oder Prozessbeschreibungen ist eine niedrige Temperature-Einstellung zu bevorzugen, um präzise und faktenbasierte Ergebnisse zu erhalten. Für kreative Aufgaben wie Ideenfindung, Brainstorming oder das Entwerfen von Formulierungsvorschlägen eignet sich hingegen eine höhere Temperature-Einstellung.
Das Handwerk: Die Kunst des richtigen Promptings
Ein einfacher Prompt für erste Tests und Experimente ist grundlegend schnell erstellt. Je komplexer jedoch das Thema und die gewünschte Ausgabe sind, desto länger und detaillierter muss die Eingabe gestaltet werden. Ein effektiver Prompt lässt sich in mehrere Kernkomponenten unterteilen, die dem KI-Modell als Leitplanken dienen.
Die Anatomie eines guten Prompts:
- Ziel und Frage: Formulieren Sie klar und präzise, was Sie erreichen möchten. Beschreiben Sie der KI das genaue Ziel, das Sie anstreben. Anstatt zu fragen Was ist Bestandserhaltung, formulieren Sie ein konkretes Anliegen. Erstellen Sie eine Zusammenfassung der wichtigsten Maßnahmen zur präventiven Bestandserhaltung für Papierunterlagen in einem kleinen Kommunalarchiv.
- Kontext: Beschreiben Sie die Ausgangslage. Welche Voraussetzungen sind für die Bearbeitung des Ziels relevant. Welche Informationen fehlen. Es ist nicht notwendig, private oder interne Daten preiszugeben. Stattdessen kann mit anonymisierten Musterbeispielen gearbeitet werden, um den Rahmen abzustecken.
- Rolle: Weisen Sie der KI eine spezifische Rolle zu. Ein KI-Modell hat Zugriff auf eine unvorstellbar große Datenmenge. Eine allgemeine Frage führt daher oft zu einer ebenso allgemeinen oder im schlimmsten Fall unbrauchbaren Antwort. Die Qualität der Ausgabe hängt maßgeblich von der Präzision der Eingabe ab. Wenn Sie beispielsweise ein Bestandserhaltungskonzept entwerfen möchten, weisen Sie der KI die Rolle eines Facharchivars mit Spezialisierung auf Bestandserhaltung zu. Die Ergebnisse werden sich qualitativ deutlich von einer unspezifischen Anfrage unterscheiden.
- Zielgruppe: Definieren Sie, für wen die Ausgabe bestimmt ist. Wenn die KI als persönlicher Lernpartner genutzt wird, sind Sie selbst die Zielgruppe. In diesem Fall ist es hilfreich zu definieren, welches Vorwissen vorhanden ist und welche Darstellungsformen, zum Beispiel einfache Sprache oder Fachterminologie, bevorzugt werden.
- Stil und Tonalität: Legen Sie fest, wie die KI antworten soll. Soll die Ausgabe in Fachsprache, in einfacher Sprache, formal oder kreativ sein. Diese Vorgabe steuert den Ton der Antwort. Aus der Testerfahrung hat sich gezeigt, dass eine auf zynische oder sehr direkte Antworten eingestellte KI tendenziell weniger Falschinformationen produziert als eine übermäßig höfliche Konfiguration.
- No-Gos: Definieren Sie, was die KI explizit nicht tun soll. Hier können beispielsweise Quellen ausgeschlossen oder Bearbeitungsgrenzen gesetzt werden. Wenn Sie einen bestehenden Text zur sprachlichen Überarbeitung in das System eingeben, ist es ratsam, der KI explizit mitzuteilen, dass der Inhalt unangetastet bleiben soll, um inhaltliche Verfälschungen zu vermeiden.
Je nach Anwendungsfall können weitere Punkte wie das Ausgabeformat, die Verwendung von Beispielen oder die Methodik ergänzt werden. Für den Einstieg sind die oben genannten Komponenten jedoch völlig ausreichend. Nicht jeder Prompt erfordert die Ausformulierung aller Punkte. Die Komplexität sollte sich stets nach dem jeweiligen Ziel richten.
Praxisbeispiele für Prompts
Prompt-Beispiel 1: Wissenserwerb für Einsteigerinnen und Einsteiger
Hallo. Ich arbeite in einem kleinen Stadtarchiv und bin heute zum ersten Mal auf den Begriff Archivtektonik gestoßen. Ich habe bei einer Recherche den folgenden Link der Archivschule Marburg gefunden: https://forschung.archivschule.de/terminologie/index.html
Können Sie mir bitte anhand dieser Seite Schritt für Schritt erklären, was eine Archivtektonik ist. Die Erklärung sollte so formuliert sein, dass ich sie auch ohne archivwissenschaftliches Studium verstehen kann. Im Anschluss möchte ich gerne wissen, wie ich dieses Konzept konkret in unserem Archiv umsetzen kann, da wir bisher keine Tektonik haben. Wichtig: Bitte verwenden Sie ausschließlich die Informationen aus dem angegebenen Link und keine anderen Quellen.
Prompt-Beispiel 2: Erstellung einer Findbucheinleitung
(Hinweis: Der Prompt orientiert sich an der Erschließungsrichtlinie des Landes Thüringen von 2011.)
Erstelle eine Findbucheinleitung für folgenden Bestand: (BESTANDSNAME UND BESTANDSSIGNATUR)
Struktur der Findbucheinleitung nach Punkt 3.2.8 der Richtlinie:
- Geschichte des Bestandsbildners: Entwicklung der Aufgaben, Tätigkeiten, Organisationsstrukturen, sachliche und räumliche Zuständigkeit, Hinweise zu Vorgängern und Nachfolgern, wichtigste Funktions- und Amtsträger optional.
- Geschichte des Bestandes: Übernahme oder Ablieferung, Überlieferungszusammenhang, Bearbeitungsstand, Erhaltungszustand.
- Inhalt des Bestandes: Überlieferungsschwerpunkte, wesentliche Lücken.
- Verweise: Korrespondierende Bestände im eigenen und in anderen Archiven.
- Benutzungshinweise: Benutzungsbeschränkungen und Schutzfristen, Zitierhinweis: Archivname, Bestandssignatur, Bestandsname, Aktensignatur.
- Literatur und Quellen: Wichtigste Literaturangaben nach DIN 1505.
- Informationen zum Bestand: Hier verfügbare Informationen einfügen, Zeitraum, Umfang, Herkunft, bekannte Besonderheiten und ähnliches.
- Umfang maximal 3000 Zeichen mit Leerzeichen für die Punkte eins bis drei für den Export ins Archivportal.
- Stil sachlich, präzise und für Archivbenutzer verständlich.
- Zitierweise nach DIN 1505.
Rote Linien: Was gehört nicht in eine KI
Mit dem AI Act der EU existiert ein rechtlicher Rahmen für den Einsatz von künstlicher Intelligenz. Die offizielle Webseite der EU verweist für detaillierte Erläuterungen sogar auf einen speziell dafür eingerichteten KI-Gesetz-Explorer.
Unabhängig von den rechtlichen Rahmenbedingungen gibt es grundlegende Regeln für den Umgang mit sensiblen Daten.
- Private Nutzung: Bei der privaten Nutzung von öffentlichen LLMs sollten keinerlei dienstliche oder personenbezogene Informationen eingegeben werden. Auch Informationen, die auf die eigene Person zurückzuführen sind, sollten vermieden werden.
- Dienstliche Nutzung: Wenn im dienstlichen Kontext eine gekaufte, geschlossene KI-Plattform genutzt wird, gilt dennoch: Keine personenbezogenen Daten und keine Dienstgeheimnisse eingeben.
Arbeiten Sie in öffentlichen LLMs niemals mit realen Daten, sondern ausschließlich mit anonymisierten Musterbeispielen. Dienstgeheimnisse haben in einer KI nichts zu suchen. Auch wenn im eigenen Haus noch keine Richtlinie zur Verwendung von KI existiert, sollte dieser Grundsatz aus Datenschutz- und sicherheitstechnischen Gründen strikt befolgt werden. Die Lösung liegt in der Abstraktion. Wandeln Sie reale Fälle in allgemeine Muster um, die einer Prüfungsaufgabe ähneln, allgemein genug, um keine Rückschlüsse zuzulassen, aber spezifisch genug, um eine brauchbare Lösung zu erhalten.
Häufige Anfängerfehler
Der Einstieg in die Arbeit mit KI ist oft von typischen Hürden begleitet. Der größte Fehler ist, aus Angst vor der Komplexität oder der Sorge, ersetzt zu werden, gar nicht erst anzufangen. Weitere häufige Fehler sind zu ungenau formulierte Prompts, die ständige Nachbesserungen erfordern, sowie eine falsche Erwartungshaltung. Die KI nur als simples Recherchetool zu nutzen, schöpft ihr Potenzial bei Weitem nicht aus. Sie ist vielmehr ein vielseitiger Arbeitspartner.
Dokumentation: Wie wird KI-gestützte Arbeit archiviert?
Für Institutionen, die LLMs offiziell für dienstliche Zwecke einsetzen, stellt sich die Frage nach der Nachvollziehbarkeit und Authentizität der Ergebnisse. Wie kann dokumentiert werden, dass und wie für bestimmte Aufgaben eine KI genutzt wurde. Folgende Aspekte sind dabei zu berücksichtigen.
- Sicherung von Prompts: Sollten Prompts, die zu einem Arbeitsergebnis geführt haben, als Teil der Dokumentation gesichert werden?
- Transparenz und Kennzeichnung: Wie wird die Nutzung von KI transparent gemacht? Erfolgt ein Hinweis in einer Fußnote, wird der Prompt zitiert oder wird die KI als Mitwirkende genannt?
- Versionierung: Wie geht man mit der Versionierung von KI-generierten Texten um, die möglicherweise mehrfach überarbeitet wurden?
- Langzeitarchivierung: Stellt die KI-Nutzung einen neuen Zweig der digitalen Archivierung dar oder handelt es sich um einen pragmatischen Umgang mit einem neuen Werkzeug. Welche Auswirkungen hat dies auf die Langzeitarchivierung?
Diese Fragen sind zentral für die Entwicklung von Best Practices im Umgang mit KI-generierten Inhalten im Archivwesen.
Vernetzung und weiterführende Informationen
Der Austausch von Erfahrungen ist ein wichtiger Schritt, um das Potenzial von KI im Archivwesen voll auszuschöpfen. In den Kommentaren zu diesem Beitrag sind Sie herzlich eingeladen, Ihre eigenen Erfahrungen und Lösungsansätze zu teilen.
Für die Zukunft ist eine Sammlung von erprobten Prompts für den Archivbereich geplant. Sobald diese Ressource verfügbar ist, werden weitere Informationen dazu folgen.
Hinweis zur redaktionellen Bearbeitung: Dieser Text wurde mit Hilfe von KI redaktionell bearbeitet und strukturiert.
OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren:
shurtig (17. Dezember 2025). KI im Archiv: Handwerk statt Hype. Archive 2.0. Abgerufen am 14. Februar 2026 von https://doi.org/10.58079/15deh


Eine Antwort
[…] https://archive20.hypotheses.org/15897 […]