Ko-Intelligenz statt Ersatz: Wie wir unsere Arbeit beobachten müssen, bevor wir sie an KI delegieren

Vielleicht beginnt Meisterschaft im KI-Zeitalter nicht damit, der KI mehr Aufgaben zu geben. Vielleicht beginnt sie damit, unsere eigene Arbeit endlich wirklich zu sehen.

Vor einigen Tagen haben wir über Meisterschaft gesprochen. Über Musashi. Über Handwerk. Über Chirurg:innen, die ihre Arbeit aufzeichnen und anschließend analysieren. Über Kampfkunst. Buchhaltung. Bildschirmaufnahmen. Smart Glasses.

Die Ausgangsfrage war relativ unspektakulär:

Je länger wir darüber nachgedacht haben, desto größer wurde die Frage. Denn wenn eine KI ausreichend Kontext darüber bekommt, was ich tue, wo ich Probleme habe, was sich wiederholt und worüber ich nachdenke, kann sie irgendwann nicht mehr nur meine Arbeit analysieren. Sie kann anfangen, die Arbeit neu zu verteilen.

Was sollte ich selbst besser lernen? Was können wir vereinfachen? Was kann eine klassische Automation übernehmen? Und welche Aufgabe sollten wir künftig einem KI-Agenten geben?

Genau hier beginnt für mich Ko-Intelligenz.

Das klingt faszinierend. Und, wenn man ein wenig länger darüber nachdenkt, ziemlich nach Black Mirror.

Die meisten Diskussionen über KI-Agenten beginnen zu spät. Wir fragen: Welcher Agent kann meine E-Mails bearbeiten? Welches Modell kann Rechnungen prüfen? Was kann ich automatisieren?

Das Problem: Dafür müssten wir zuerst wissen, wie die Arbeit tatsächlich abläuft. Nicht wie der Prozess laut Handbuch aussehen sollte. Nicht wie wir glauben, dass wir arbeiten.

Task-Mining-Systeme existieren genau aus diesem Grund. Microsoft beschreibt Task Mining als Technologie, die Desktop-Aktivitäten erfasst und daraus Ineffizienzen, häufige Fehler und mögliche Automatisierungskandidaten identifizieren kann. Microsoft Learn

UiPath geht noch granularer vor: Mausaktionen, Tastatureingaben und verschiedene Varianten derselben Aufgabe können aufgezeichnet, zusammengeführt und als Task-Graph analysiert werden. UiPath Dokumentation

Das ist leistungsfähig. Aber für unsere Frage noch nicht ausreichend. Denn wir wollen nicht nur einen bereits bekannten Prozess untersuchen. Wir wollen herausfinden: Was in meinem gesamten Arbeitstag verdient überhaupt nähere Aufmerksamkeit?

Genau bei dieser Suche sind zwei Werkzeuge übrig geblieben, die überraschend gut zu dieser Idee passen: Screenpipe und Omi.

Sie lösen ein ähnliches Problem aus zwei völlig unterschiedlichen Richtungen.

Screenpipe fragt: Was hast du tatsächlich auf deinem Computer getan?

Omi fragt eher: Was hast du gesagt, gehört, besprochen und als wichtig erlebt?

Und genau deshalb halte ich sie derzeit weniger für Konkurrenten als für zwei mögliche Sensoren eines zukünftigen Ko-Intelligenz-Systems.

Screenpipe bezeichnet sich selbst als „local-first memory layer“ für den Desktop. Das System zeichnet Bildschirmkontext und Audio kontinuierlich auf, extrahiert Text direkt aus Anwendungen beziehungsweise per OCR und transkribiert Audio. Anwendung, Fenstertitel und – soweit verfügbar – Browser-URLs werden mitgespeichert. Daraus entsteht eine durchsuchbare Timeline deiner Computerarbeit. Screenpipe

Das Entscheidende daran ist nicht die Aufzeichnung. Es ist die Rekonstruktion von Arbeit.

Stell dir vor, ich arbeite in einer Buchhaltungssoftware und benötige für einen Vorgang ungewöhnlich lange. Ich suche. Öffne eine zweite Anwendung. Kopiere Informationen. Gehe zurück. Probiere etwas. Und sage irgendwann: „Das mache ich jetzt heute schon zum dritten Mal.“

Für einen normalen Screen Recorder ist das einfach Video. Für ein kontextuelles System können daraus Daten entstehen: Zeitpunkt. Anwendung. Bildschirmtext. Audio. Transkript. Reihenfolge. Wiederholung.

Damit wird Arbeit analysierbar.

Screenpipe speichert im Local-only-Modus Bildschirmaufnahmen, Transkripte und Pipe-Daten auf dem eigenen Gerät. Übertragungen entstehen erst, wenn Funktionen wie Cloud AI, Sync, Connectoren oder andere Cloud-Funktionen bewusst aktiviert werden. Screenpipe Privacy

Noch interessanter wird Screenpipe durch seine Pipes. Pipes sind geplante KI-Agenten, die auf die aufgezeichneten Daten zugreifen können. Screenpipe bietet inzwischen beispielsweise einen „Workflow & Automation Scout“, der tägliche Arbeitsabläufe untersucht und wiederkehrende Automatisierungsmöglichkeiten in einem fortlaufenden Backlog sammeln soll. Screenpipe Pipes

Dazu kommen REST API und MCP. MCP-fähige KI-Assistenten können dadurch Bildschirmhistorie und Audiotranskripte durchsuchen und gezielt Kontext aus einem bestimmten Zeitraum holen. Screenpipe MCP

Das ist für KI-Agenten entscheidend. Denn das eigentliche Problem heutiger Agenten ist häufig nicht Intelligenz. Es fehlt ihnen Kontext.

Screenpipe sieht vor allem die digitale Welt. Wenn ich nach einem Kundengespräch durch den Gang gehe und eine entscheidende Idee habe, ist diese Information nicht automatisch Teil meines digitalen Arbeitskontexts. Wenn ich physisch trainiere, eine Maschine bediene oder etwas mit meinen Händen mache, fehlt ebenfalls ein wesentlicher Teil.

Und noch etwas darf man nicht unterschätzen: Eine vollständige Bildschirmhistorie ist zwar für den eigenen Lernprozess wertvoll. Sie ist aber gleichzeitig eine perfekte Grundlage für Überwachung.

Das Werkzeug entscheidet nicht darüber, ob daraus Meisterschaft oder Kontrolle entsteht. Das Governance-Modell entscheidet es.

Omi kommt von der anderen Seite. Das System konzentriert sich stark auf Gespräche und Sprache.

Aus einer Aufnahme erzeugt Omi eine „Conversation“ mit Transkript, Zusammenfassung, Erkenntnissen sowie – wenn erkannt – Aufgaben und Action Items. Aus Gesprächen können zusätzlich sogenannte Memories erzeugt werden. Diese Inhalte können später durchsucht und im Omi-Chat als Kontext verwendet werden. Omi Help Center

Das Wearable macht diesen Ansatz interessant. Man muss nicht ständig das Smartphone herausnehmen und eine Notiz schreiben. Gespräche und gesprochene Gedanken können hands-free erfasst werden. Omi beschreibt das System ausdrücklich als eine Art „Second Brain“ über Smartphone, Mac und Wearables hinweg. Omi Overview

Damit verschiebt sich die Sensorik.

Screenpipe beobachtet: Was habe ich gemacht?

Omi kann zusätzlich erfassen: Was habe ich darüber gesagt?

Und Sprache ist für unser Meisterschaftssystem enorm wertvoll. Denn ein Mensch sagt während eines Arbeitstages Dinge wie: „Warum machen wir das eigentlich immer so?“ „Hier bin ich mir nicht sicher.“ „Das müsste automatisierbar sein.“ „Das funktioniert besser als gestern.“ „Daran muss ich noch arbeiten.“

Das sind keine Mausklicks. Das sind metakognitive Signale.

Omi extrahiert Tasks automatisch aus gesprochenen Verpflichtungen und kann diese an externe Task-Systeme weitergeben. Omi Tasks

Omi hat außerdem SOC 2 und HIPAA Compliance bekanntgegeben. Omi SOC 2 & HIPAA

Der wichtigste Unterschied zu Screenpipe: Omi ist aktuell stärker cloudabhängig. Gespräche und Memories werden laut aktueller Hilfedokumentation in Omis Cloud-Infrastruktur gespeichert. Das ist für viele private und kommerzielle Anwendungsfälle möglicherweise akzeptabel. Für hochsensible Umgebungen ist es eine völlig andere Diskussion.

SOC 2 oder HIPAA bedeutet nicht automatisch: „Dieses Gerät darf überall eingesetzt werden.“

Außerdem muss gesellschaftlich eine viel unangenehmere Frage beantwortet werden: Was passiert, wenn Menschen anfangen, ihren Alltag permanent aufzuzeichnen?

Je besser eine KI mir helfen soll, desto mehr Kontext benötigt sie. Wenn ich sage: „Ich war heute ineffizient“, kann ein Modell wenig damit anfangen. Wenn es dagegen meinen Bildschirm, meine Gespräche, meine Suchvorgänge und meinen Arbeitsablauf kennt, kann es vielleicht erkennen: „Du hast heute 43 Minuten damit verbracht, dieselben Informationen zwischen drei Systemen zu übertragen.“

Das ist wertvoll. Aber dieselben Daten können sagen: Mitarbeiter A arbeitet schneller als Mitarbeiter B. Mitarbeiter X macht besonders viele Fehler. Mitarbeiter Y spricht regelmäßig über Thema Z.

Plötzlich ist aus einem Mastery-System ein Überwachungssystem geworden.

Technisch unterscheiden sich beide Systeme kaum. Der Unterschied liegt in: Eigentum. Zugriff. Zweck. Entscheidungsgewalt.

Deshalb ist unsere derzeitige Hypothese:

Capture möglichst lokal. Rohdaten möglichst unter eigener Kontrolle. Cloud-KI bekommt nur den Kontext, den sie tatsächlich benötigt. Agenten bekommen klar definierte Rechte. Und die finale Entscheidung bleibt beim Menschen.

Vielleicht ist maximale Erfassung gar nicht optimal. Acht Stunden Video erzeugen auch acht Stunden Datenmüll. Für Meisterschaft brauchen wir vor allem Lernsignale.

Vielleicht reicht deshalb irgendwann ein Satz wie: „Marker – hier war ich unsicher.“ Oder: „Marker – das ist bereits das dritte Mal heute.“ Oder: „Marker – diese Tätigkeit sollte ein Agent übernehmen.“

Dann bekommt die KI nicht nur Rohdaten. Sie bekommt zusätzlich die Information: Der Mensch selbst hält diesen Moment für relevant.

Und dabei trainieren wir gleichzeitig eine entscheidende Fähigkeit: Metakognition.

Statt eines simplen „Daily Summary“ könnte ein Agent jeden Abend einen Ko-Intelligenz-Report erstellen.

Welche Tätigkeiten kamen mehrfach vor?

Wo gab es unnötige Programmwechsel, Suchvorgänge oder manuelle Übertragungen?

Wo trat derselbe Fehler mehrfach auf? Wo habe ich selbst Unsicherheit signalisiert?

Welche Fähigkeit sollte ich gezielt trainieren?

Welche Arbeit sollte überhaupt entfernt oder standardisiert werden?

Welche deterministischen Schritte gehören in einen klassischen Workflow?

Welche Aufgaben benötigen Verständnis und Flexibilität, könnten aber trotzdem an einen KI-Agenten delegiert werden?

Welche Teile verlangen weiterhin Urteil, Verantwortung oder Meisterschaft?

Dann entsteht ein Kreislauf: Beobachten → verstehen → reflektieren → entscheiden → verbessern → delegieren → messen → erneut beobachten.

Das ist keine einmalige Automatisierung. Es ist ein lernendes Arbeitssystem.

Tools wie UiPath oder Microsoft Power Automate verschwinden damit keineswegs. Im Gegenteil. Sie können später die nächste Ebene bilden.

Wenn wir identifiziert haben: „Dieser Vorgang wiederholt sich ständig“, können spezialisierte Task-Mining-Systeme den konkreten Ablauf detaillierter untersuchen.

Die Arbeitsteilung könnte ungefähr so aussehen:

Screenpipe/Omi finden Situationen und Kontext.

↓

Mensch + leistungsfähiges KI-Modell analysieren das Problem.

↓

Task Mining zerlegt ausgewählte Prozesse genauer.

↓

n8n / Power Automate / API / RPA automatisieren deterministische Schritte.

↓

KI-Agenten übernehmen flexible Wissensarbeit innerhalb klarer Grenzen.

↓

Mensch entscheidet, lernt und trägt Verantwortung.

↓

Sensoren beobachten erneut.

Wenn ich heute nur ein System für digitale Workflow-Optimierung auswählen dürfte: Screenpipe.

Wenn ich dagegen ein persönliches Gedächtnis über Gespräche, Ideen, Meetings und physische Welt aufbauen wollte: Omi.

Und genau deshalb vermute ich inzwischen, dass die interessanteste Architektur langfristig nicht lautet: Omi vs. Screenpipe.

Sondern: Screenpipe + Omi.

Screenpipe als Sensor der digitalen Arbeit. Omi als Sensor der sprachlichen und physischen Realität. Darüber eine kontrollierte KI-Schicht. Darunter Daten, die dem Menschen gehören.

Wir wollten herausfinden, wie KI einem Menschen helfen kann, besser zu werden. Dabei wäre es leicht, genau das Gegenteil zu bauen.

Ein System, das jede schwierige Aufgabe sofort übernimmt. Jede Entscheidung trifft. Jeden Gedanken formuliert. Jede Unsicherheit beseitigt.

Das wäre bequem. Aber Meisterschaft wäre es nicht.

Denn gute Ko-Intelligenz sollte die Fähigkeiten und Urteilskraft eines Menschen langfristig erhöhen.

Wenn das System dagegen immer intelligenter und der Mensch immer abhängiger wird, haben wir keine Ko-Intelligenz geschaffen. Wir haben nur Outsourcing gebaut.

Das Ziel darf deshalb nicht lauten: Wie viel meiner Arbeit kann die KI übernehmen?

Die bessere Frage lautet:

Learn. Apply. Prove It.

Und dann wieder von vorne.