Warum präzise Formulierungen im QM, Audit und bei KI mehr sind als guter Stil
TL;DR
Sprache ist im Qualitätsmanagement nicht nur Verpackung. Sie beeinflusst, wie wir Beobachtungen bewerten, Sicherheit ausdrücken und Verantwortung zuordnen. Zwischen „Es liegt kein Nachweis vor“ und „Im Audit konnte kein Nachweis vorgelegt werden“ liegt ein fachlicher Unterschied. Mit generativer KI wird diese Frage noch wichtiger, weil sprachlich überzeugende Ergebnisse leicht mehr Sicherheit vermitteln können, als die zugrunde liegenden Informationen rechtfertigen. Präzise Sprache ist deshalb nicht nur gute Kommunikation. Sie ist ein Bestandteil guter Qualitätsarbeit.
Sprache wird im Qualitätsmanagement häufig vor allem unter dem Gesichtspunkt der Verständlichkeit betrachtet. Arbeitsanweisungen sollen klar sein, Auditberichte sachlich, Maßnahmen eindeutig und Schulungsunterlagen gut nachvollziehbar. Das ist sinnvoll, greift aber zu kurz. Denn Sprache transportiert nicht nur fachliche Inhalte. Sie beeinflusst auch, wie sicher eine Aussage wirkt, worauf sie sich stützt, wie Verantwortung verteilt wird und welche Schlussfolgerungen daraus gezogen werden.
Damit wird Sprache selbst zu einem Qualitätsmerkmal.
Besonders deutlich zeigt sich das im Audit. Nehmen wir drei Formulierungen: „Es liegt kein Nachweis vor.“ „Im Audit konnte kein Nachweis vorgelegt werden.“ „Die Anforderung wird nicht erfüllt.“
Auf den ersten Blick geht es dreimal ungefähr um dasselbe. Fachlich tun die Aussagen das aber nicht. „Es liegt kein Nachweis vor“ behauptet einen Zustand. Dafür müsste ausreichend sicher sein, dass tatsächlich kein entsprechender Nachweis existiert. „Im Audit konnte kein Nachweis vorgelegt werden“ beschreibt zunächst nur, was im konkreten Prüfungskontext beobachtet wurde. Vielleicht existiert der Nachweis, war aber nicht verfügbar. Vielleicht wurde an der falschen Stelle gesucht oder die zuständige Person war nicht anwesend. „Die Anforderung wird nicht erfüllt“ geht wiederum einen Schritt weiter. Aus der Beobachtung ist eine Bewertung gegenüber einer definierten Anforderung geworden.
Gerade im Audit ist diese Trennung wichtig. Eine belastbare Feststellung sollte nachvollziehbar machen, was beobachtet wurde, worauf sich die Bewertung bezieht und wie daraus die Schlussfolgerung entstanden ist. Werden diese Ebenen sprachlich vermischt, kann aus einer begrenzten Beobachtung schnell eine weitergehende Aussage werden.
Das ist keine stilistische Feinheit. Es ist eine Frage fachlicher Qualität.
Sprache strukturiert auch die Problemanalyse
Das gleiche Problem begegnet uns außerhalb von Audits. Ein Satz wie „Der Prozess funktioniert nicht“ wirkt zunächst eindeutig, sagt bei genauerem Hinsehen aber erstaunlich wenig.
Vielleicht wird die festgelegte Vorgehensweise nicht eingehalten. Vielleicht wird sie korrekt umgesetzt, erreicht aber trotzdem nicht das gewünschte Ergebnis. Vielleicht fehlen geeignete Daten, um die Wirksamkeit überhaupt zu beurteilen. Oder der Prozess funktioniert grundsätzlich, nur an einer bestimmten Schnittstelle tritt regelmäßig ein Fehler auf.
Je nachdem könnten präzisere Aussagen ganz unterschiedlich aussehen:
„Die festgelegte Vorgehensweise wurde in drei von fünf geprüften Fällen nicht eingehalten.“
„Trotz Umsetzung der festgelegten Vorgehensweise wurde das definierte Qualitätsziel im betrachteten Zeitraum nicht erreicht.“
Oder:
„Auf Basis der vorliegenden Daten kann die Wirksamkeit des Prozesses derzeit nicht ausreichend beurteilt werden.“
Alle drei Varianten beschreiben eine problematische Situation. Sie führen aber zu unterschiedlichen Fragen und wahrscheinlich auch zu unterschiedlichen Maßnahmen. Im ersten Fall geht es möglicherweise um Umsetzung, Schulung oder Verantwortlichkeiten. Im zweiten eher um die grundsätzliche Eignung des Prozesses. Im dritten zunächst um Messbarkeit und Datenqualität.
Sprache dokumentiert die Problemanalyse also nicht nur. Sie kann sie strukturieren. Umgekehrt kann eine zu pauschale Formulierung verdecken, dass wir das Problem noch gar nicht ausreichend eingegrenzt haben.
Gute Sprache muss nicht maximal eindeutig klingen
Eine ähnliche Herausforderung entsteht beim Umgang mit Unsicherheit. Gerade in formellen Dokumenten besteht schnell die Tendenz, möglichst klare und eindeutige Aussagen zu formulieren. Das wirkt professionell, kann fachlich aber problematisch sein.
„Die Reklamation wurde durch einen Verpackungsfehler verursacht“ ist beispielsweise eine sehr klare Aussage. Hat die Ursachenanalyse jedoch lediglich ergeben, dass ein Verpackungsfehler die wahrscheinlichste Erklärung ist, macht die Formulierung aus einer begründeten Hypothese eine Tatsache.
„Die vorliegenden Untersuchungsergebnisse sprechen dafür, dass der Verpackungsfehler die wahrscheinlichste Ursache der Reklamation war“ klingt weniger endgültig. Genau deshalb kann es die bessere Aussage sein.
Gute Sprache ist nicht automatisch starke Sprache. Sie sollte den tatsächlichen Grad der Sicherheit möglichst angemessen wiedergeben. Das gilt allerdings auch in die andere Richtung. Wer jede Aussage mit „möglicherweise“, „eventuell“ und „unter Umständen“ relativiert, schafft nicht automatisch mehr fachliche Präzision. Im schlimmsten Fall wird die Aussage nur unverbindlich.
Präzision bedeutet deshalb weder möglichst bestimmt noch möglichst vorsichtig zu formulieren. Entscheidend ist, ob die sprachliche Sicherheit zur vorhandenen Evidenz passt.
Generative KI macht den Unterschied besonders sichtbar
Mit generativer KI bekommt dieses Thema eine zusätzliche Dimension. Sprachmodelle können sehr überzeugende Ergebnisse erzeugen. Texte sind sauber strukturiert, klingen professionell und können eine bemerkenswerte sprachliche Sicherheit ausstrahlen. Das sagt allerdings noch nichts darüber aus, wie belastbar die zugrunde liegende fachliche Aussage ist.
Angenommen, ein KI-System unterstützt bei der Erstellung eines Auditberichts und formuliert:
„Die Ursachenanalyse zeigt, dass die unzureichende Schulung der Mitarbeiter die Hauptursache der Abweichung war.“
Der Satz klingt plausibel und eindeutig. Vielleicht standen dem System aber lediglich einige Auditnotizen, ein Interview und zwei Dokumente zur Verfügung. Aus diesen Informationen kann möglicherweise eine Hypothese abgeleitet werden. Ob daraus bereits eine belastbare Ursachenfeststellung werden darf, ist eine ganz andere Frage.
Genau hier entsteht ein Qualitätsrisiko: Sprachliche Qualität kann fachliche Sicherheit simulieren.
Ein gut formulierter KI-Output ist noch kein guter Qualitätsnachweis. Und ein überzeugender Satz ist nicht automatisch eine belastbare Schlussfolgerung.
Für den Umgang mit KI wird deshalb eine Fähigkeit wichtiger, die im Qualitätsmanagement eigentlich vertraut sein sollte: Wir müssen sprachliche Qualität und fachliche Evidenz getrennt beurteilen.
Welche Rolle geben wir der KI mit unseren Worten?
Nicht nur die Sprache der KI ist relevant. Auch unsere Sprache über KI verdient Aufmerksamkeit.
Wir sagen schnell: „Die KI hat geprüft.“ „Die KI hat festgestellt.“ „Die KI hat entschieden.“ Oder sogar: „Die KI hat freigegeben.“
Diese Verben sind nicht austauschbar. Prüfen, bewerten, empfehlen, entscheiden und freigeben beschreiben unterschiedliche Tätigkeiten, Kompetenzen und Verantwortlichkeiten.
Wenn ein System Dokumente anhand bestimmter Kriterien analysiert und anschließend eine Empfehlung erzeugt, kann die Aussage „Das System empfiehlt eine Freigabe“ angemessen sein. „Die KI hat das Dokument freigegeben“ beschreibt dagegen bereits eine andere Rolle. Hier wird aus einer unterstützenden Funktion eine Entscheidung oder sogar eine Handlung mit entsprechender Wirkung.
Mit KI-Agenten wird diese Unterscheidung noch wichtiger. Sobald Systeme nicht nur Texte erzeugen, sondern Werkzeuge verwenden, Status ändern, Nachrichten versenden oder Prozessschritte auslösen können, müssen wir genauer hinsehen: Bereitet das System eine Entscheidung vor? Bewertet es Informationen? Gibt es eine Empfehlung? Führt es eine vorher definierte Handlung aus? Oder besitzt es tatsächlich eine delegierte Entscheidungsbefugnis?
Im Qualitätsmanagement würden wir bei menschlichen Rollen ebenfalls zwischen prüfen, bewerten, genehmigen und freigeben unterscheiden. Es gibt wenig Grund, bei KI ungenauer zu werden.
Sprache kann Verantwortung verschieben
Dabei geht es nicht nur um korrekte Tätigkeitsbeschreibungen. Sprache beeinflusst auch, wo wir Verantwortung vermuten und dementsprechend nach Ursachen suchen.
„Die KI hat den Fehler nicht erkannt“ richtet die Aufmerksamkeit zunächst auf das Modell. „Der eingesetzte KI-gestützte Prüfprozess hat den Fehler nicht erkannt“ verändert den Blickwinkel. Plötzlich stellen sich weitere Fragen: Welche Informationen standen zur Verfügung? Welche Prüfkriterien waren definiert? Welche Grenzen des Systems waren bekannt? Welche Kontrollschritte waren vorgesehen? Und wer war für die Gestaltung und Überwachung dieses Prozesses verantwortlich?
Das ist aus QM-Sicht der interessantere Blick. Schließlich untersuchen wir bei einem Fehler in einem klassischen Prozess ebenfalls nicht ausschließlich die Person oder das einzelne Werkzeug, das unmittelbar beteiligt war. Wir betrachten das System.
Wenn wir KI sprachlich ständig als eigenständig handelndes Subjekt darstellen, besteht dagegen die Gefahr, dass organisatorische Verantwortung ebenfalls ein Stück weit sprachlich ausgelagert wird. Für Governance, Audit und Compliance ist das keineswegs nebensächlich.
Präzise Sprache beginnt bereits beim Prompt
Interessanterweise gilt das gleiche Prinzip schon auf der Eingabeseite.
„Prüfe den Bericht auf Fehler“ ist sprachlich verständlich, als Arbeitsauftrag aber ausgesprochen unscharf. Was ist in diesem Zusammenhang ein Fehler? Eine fachlich unrichtige Aussage? Fehlende Evidenz? Ein Widerspruch? Eine formale Abweichung? Ein Rechtschreibfehler?
Eine Aufgabe wie „Prüfe den Bericht darauf, ob Aussagen enthalten sind, die nicht durch die bereitgestellten Auditnotizen gestützt werden. Liste diese Aussagen auf und nenne jeweils die Textstelle und die fehlende Evidenz“ definiert dagegen deutlich genauer, was geprüft werden soll und woran das Ergebnis beurteilt werden kann.
An dieser Stelle wird die Nähe zwischen Prompting und klassischem Qualitätsdenken ziemlich deutlich. Ziel klären, Anforderungen definieren, Begriffe präzisieren, Grenzen festlegen und Prüfkriterien benennen, all das haben wir nicht erst mit generativer KI erfunden.
Vielleicht ist ein Teil guter Promptkompetenz deshalb schlicht gute Anforderungsqualität.
Eine kleine Qualitätsprüfung für Formulierungen
Bei wichtigen Aussagen lohnt es sich deshalb, nicht nur auf Rechtschreibung, Verständlichkeit und Stil zu schauen. Einige zusätzliche Fragen können helfen:
- Beschreibe ich eine Beobachtung oder bereits eine Bewertung?
- Behaupte ich mehr, als meine Evidenz tatsächlich hergibt?
- Ist klar, worauf sich meine Aussage bezieht?
- Passt der Grad sprachlicher Sicherheit zur vorhandenen Informationslage?
- Ist nachvollziehbar, wer prüft, bewertet, entscheidet oder Verantwortung trägt?
- Könnten zwei Personen dieselbe Formulierung unterschiedlich interpretieren?
- Verändert ein einzelnes Verb bereits die fachliche Bedeutung der Aussage?
Diese Fragen lassen sich auf Auditfeststellungen genauso anwenden wie auf CAPA-Berichte, Arbeitsanweisungen, Risikobewertungen, Managementbewertungen, Reklamationsanalysen oder KI-generierte Texte.
Sprache ist Teil des Systems
Aus QM-Sicht ist das alles eigentlich nicht besonders exotisch. Wir versuchen seit Jahren, Anforderungen eindeutig zu formulieren, Sachverhalte nachvollziehbar zu dokumentieren und Entscheidungen auf belastbare Informationen zu stützen.
Generative KI macht lediglich sichtbarer, warum diese Genauigkeit wichtig ist. Denn sie kann aus unscharfen Gedanken sehr schnell ausgesprochen überzeugende Texte machen. Das ist hilfreich, wenn Aufgabe, Evidenz und Bewertung sauber geklärt sind. Es kann problematisch werden, wenn die sprachliche Qualität darüber hinwegtäuscht, dass genau diese Klärung noch fehlt.
Vielleicht sollten wir Sprache deshalb nicht nur unter dem Gesichtspunkt betrachten, ob ein Text gut geschrieben ist.
Eine qualitativ gute Formulierung bildet den Sachverhalt angemessen ab. Sie unterscheidet zwischen Wissen und Annahme, zwischen Beobachtung und Bewertung und zwischen Empfehlung und Entscheidung. Sie macht Unsicherheit dort sichtbar, wo Unsicherheit besteht, ohne alles vorsorglich zu relativieren. Und sie lässt erkennen, wer welche Rolle und Verantwortung trägt.
In diesem Sinne ist präzise Sprache mehr als gute Kommunikation.
Sie ist ein Bestandteil guter Qualitätsarbeit.
