Workshop 1 — AI Fluency Framework

Dienstag, 12.05.2026 · 16:00–19:00 · Campus Südstadt

Lernziele

Was Sie nach diesem Workshop können

Process Automation und Cognitive Automation an konkreten Tätigkeiten aus Tax, Audit und Advisory unterscheiden — und Grenzfälle als Hybrid benennen,
das 4D-Framework (Delegate, Describe, Discern, Diligence) in eigenen Worten erklären und die beiden Loops im Kopf nachzeichnen,
die drei Konfigurationen LLM allein, erweitertes LLM und Agent unterscheiden und für eine eigene Frage die passende auswählen,
einen einfachen Prompt nach RTF und CREATE strukturieren und an einer Aufgabe aus dem eigenen Lerngebiet anwenden,
einen Tutor-Bot für das eigene Fachgebiet bauen und mit einer kleinen Test-Suite systematisch prüfen.

Inhalte des Workshops

Drei Stunden, eng verzahnt aus fünf kurzen Inputs (zusammen 53 Minuten), vier Übungen mit je 15 Minuten Bearbeitung plus Think-Pair-Share und Plenum-Auflösung (zusammen 88 Minuten), einer Pause (10 Minuten) und Begrüßung/Abschluss (9 Minuten). Alle Übungen sind im Block eingebettet, in dem ihr inhaltlicher Anker liegt — nicht in einen separaten Übungsteil verschoben.

🟦 Block 0 — Begrüßung und Kalibrierung · 5 Min

Begrüßung, Lernziele, Hinweis auf den Tutor, kurze Verständigung über Vorerfahrungen mit generativer KI.

🟦 Block 1 — Process vs. Cognitive Automation · 10 Min

Process Automation — regelbasiertes Abarbeiten strukturierter Workflows ohne Verstehen. Cognitive Automation — KI-gestütztes Schließen, Klassifizieren, Zusammenfassen unstrukturierter Inhalte. Das Service-Automation-Continuum nach Lacity & Willcocks (2021) und Willcocks & Lacity (2024) ordnet beide Kategorien plus Intelligent Automation als orchestrierende Schicht in eine kohärente Sourcing-Strategie ein.

Visualisierung des Service-Automation-Continuum mit den Stufen RPA, Cognitive Computing, Cognitive Automation und Intelligent Automation, jeweils mit zunehmender Komplexität und Autonomie — Service-Automation-Continuum von Process Automation über Cognitive Automation bis Intelligent Automation. Adaptiert nach Lacity & Willcocks (2021).

Drei Verankerungs-Beispiele aus Tax/Audit: Bank-zu-SAP-Abstimmung (Process); semantische Klassifikation eingehender Belege (Cognitive); Ende-zu-Ende-Bot, der klassifiziert, einbucht und Differenzen meldet (Intelligent Automation).

➡️ Übung 1 — Diagnose-Quiz Process vs. Cognitive · 18 Min (8 Min Solo + 4 Min TPS + 3 Min Plenum + 3 Min Puffer)

🟦 Block 2 — 4D-Framework Kurzdurchlauf · 7 Min

Vier Kernkompetenzen, je drei Subkategorien nach Dakan & Feller (2025). Delegate (Problem-, Platform-, Task-Awareness) · Describe (Product-, Process-, Performance-Description) · Discern (Product-, Process-, Performance-Discernment) · Diligence (Creation-, Transparency-, Deployment-Diligence). Zwei Loops: Delegate–Diligence (strategisch), Describe–Discern (operativ). Heute behandeln wir Delegate, Describe und Discern in dieser Reihenfolge; Diligence wird morgen vertieft.

🟦 Block 3 — Delegate: Modell, Harness, agentische Nutzung · 12 Min

Drei Konfigurationen sauber trennen:

LLM allein — ein Textgenerator. Stellen Sie sich einen sehr belesenen Bibliothekar vor, der nur reden kann, nichts nachschlagen und nichts ausführen.
Erweitertes LLM — dasselbe Modell, eingebettet in eine Harness mit Tools wie Web-Search, File-Upload, Code-Execution. Der Bibliothekar bekommt eine Werkbank.
Agent — ein erweitertes LLM, das in einer Schleife arbeitet: Ziel, Plan, Werkzeug, Bewertung, neuer Plan. Der Bibliothekar erledigt eigenständig mehrschrittige Aufgaben und meldet sich erst zurück, wenn er fertig ist.

Visualisierung eines LLM-Kerns, umgeben von einem Werkzeugring aus Web-Search, Memory, Tools und User Interface — LLM-Kern und Harness als Werkzeugring — was ein Modell tatsächlich kann, hängt mindestens so stark von der Harness ab wie vom Modell selbst.

Die didaktische Pointe: Wer Aufgaben delegieren will, muss wissen, in welcher der drei Konfigurationen das eigene System läuft, weil Fähigkeiten und Risikoprofil substanziell verschieden sind (Grootendorst, 2025; Mollick, 2024).

Visualisierung der Jagged Frontier als zerklüftete Linie, die starke und schwache Fähigkeitsbereiche von KI-Systemen unregelmäßig trennt — Die Jagged Frontier — KI-Fähigkeiten sind unregelmäßig verteilt, mit unerwartet starken und unerwartet schwachen Bereichen. Adaptiert nach Dell’Acqua et al. (2023) und Mollick (2024).

➡️ Übung 2 — Karriereentwicklung im Modellvergleich · 22 Min (15 Min Übung + 4 Min TPS + 3 Min Plenum)

☕ Pause · 10 Min

🟦 Block 4 — Describe: RTF und CREATE · 12 Min

Leitanalogie: Der Chatbot ist eher ein junger Nachhilfeschüler als ein Taschenrechner — er versteht Anweisungen, braucht Kontext, möchte gezeigt bekommen, was Sie wollen, und wird mit Beispielen besser. Inhaltlicher Anker: das Kapitel How to speak aus dem begleitenden Lehrbuch (Bartnik, 2026).

Zwei Schemata:

RTF — Role, Task, Format. Sparsam und schnell. Beispiel: „Sie sind Wirtschaftsprüferin. Erläutern Sie das Going-Concern-Prinzip. Antworten Sie in drei kurzen Absätzen für Erstsemester.”
CREATE — Character, Request, Examples, Adjustments, Type of output, Extras. Reicher und für komplexe Aufgaben besser geeignet. Beide Schemata mit identischer Beispielaufgabe vorführen, damit der Unterschied direkt sichtbar wird.

➡️ Übung 3 — Prompt-Umbau und Tutor-Bot · 22 Min (15 Min Übung + 4 Min TPS + 3 Min Plenum)

🟦 Block 5 — Discern: Outputs systematisch prüfen · 12 Min

Zwei Ideen, eine Übersetzung auf Tax/Audit:

RAGAS-Idee — eine Bewertung von Antworten aus Retrieval-Augmented-Systemen entlang weniger Kerngrößen: Faithfulness (passt die Antwort zu den abgerufenen Quellen?), Answer Relevance (beantwortet sie die Frage?), Context Precision und Context Recall (wurden die richtigen Quellen abgerufen?) (Es et al., 2024). Im Kern: ein Test-Set aus Fragen mit erwarteten Antworten, das Sie immer wieder durchlaufen lassen.
Red-Green-TDD nach Willison — Testfälle zuerst. Sie schreiben fünf bis zehn Beispielfragen mit gewünschten Antworten, lassen den Agenten durchlaufen, markieren rot (fehlerhaft), gelb (teilweise) oder grün (korrekt). Dann iterieren Sie Prompt, Modell und Harness, bis möglichst viele Tests grün werden (Willison, 2025). Die Methode kommt aus dem Test-Driven Development der Software-Entwicklung — Kent Becks „Red first” auf Prompt-Ebene übertragen.

Übersetzung auf Tax/Audit: Eine kleine Sammlung typischer Berufsfragen (Anwendung des Reverse-Charge-Verfahrens, Going-Concern-Prüfung, Behandlung von Rückstellungen) wird zur Test-Suite. Genau das bauen Sie in der nächsten Übung — zum Tutor-Bot aus Übung 3.

Bildhafte Darstellung von Retrieval-Augmented Generation als Bücherregal, aus dem ein KI-Assistent vor der Antwort nachschlägt — RAG als Bücherregal-Metapher — statt aus dem Gedächtnis zu antworten, schlägt das Modell zuerst in einer externen Quelle nach.

➡️ Übung 4 — Tutor-Bot systematisch prüfen · 22 Min (15 Min Übung + 4 Min TPS + 3 Min Plenum)

🟧 Block 6 — Abschluss und Brücke zu Tag 2 · 9 Min

Kurzer Rückblick auf die vier Übungen: Welche der drei Konfigurationen (LLM allein, erweitertes LLM, Agent) ist Ihnen heute am vertrautesten geworden? Welche Test-Frage aus Übung 4 würde morgen im echten Berufsalltag bestehen? Brücke zu Workshop 2 (Mittwoch, 13.05.): Diligence als vierte Kompetenz — Verantwortung, Transparenz, Verifikation. Konkret morgen: berufsrechtliche Pflichten (WPO § 43, StBerG § 57, DSGVO), Personal AI Policy.

Diskussionsfragen

An welcher Stelle in Ihrem Studium würde ein Tutor-Bot Sie heute schon ersetzen — und an welcher nicht?
Item 9 des Diagnose-Quiz (OCR plus ERP-Einspielung) ist ein Hybrid aus Cognitive und Process. Wo verläuft die Grenze in einem realen Workflow Ihrer Wahl?
Welche Konfiguration aus LLM allein · erweitertes LLM · Agent passt zu welcher Aufgabenklasse Ihres Studienalltags? Wo lohnt sich der Aufpreis für ein stärkeres Modell oder eine reichere Harness konkret?
Wann ist eine Test-Suite mit fünf Fragen aussagekräftiger als eine spontane Qualitätsprüfung? Wann nicht?

Aufgaben

Vier Übungen im Workshop, eingebettet in die Inputs

Übung 1 — Diagnose-Quiz Übung 2 — Karriereentwicklung Übung 3 — Prompt-Umbau und Tutor-Bot

Jede Übung dauert maximal 15 Minuten und schließt mit Think-Pair-Share und kurzer Plenum-Auflösung. Innerhalb jeder Übung gibt es eine Erweiterungsfrage für schnelle Studierende — wer früh fertig ist, vertieft, statt zu warten. Die Discern-Übung Tutor-Bot systematisch prüfen eröffnet Workshop 2 als Übung 2 — Tutor-Bot Test-Suite; davor steht als Einstieg in den zweiten Tag der zweistufige Quellenbindungs-Prompt an der eigenen Prüfungsordnung.

Hausaufgabe zum Folgetag

Für Workshop 2 brauchen Sie zwei kostenfreie Accounts. Bitte vor der Sitzung am Mittwoch einrichten — beides dauert jeweils etwa fünf Minuten.

Zwei Accounts vor Workshop 2

Signavio Academic Edition — Account anlegen unter https://academic.signavio.com/p/explorer. Wird in Workshop 2 für die BPMN-Modellierung des Rechnungseingangsprozesses genutzt. Hochschul-E-Mail-Adresse wird empfohlen, kostenfrei, kein Download nötig.
UiPath Cloud — Account anlegen unter https://cloud.uipath.com/. Wird für das Lesen und Anpassen des Excel-zu-PDF-Bots genutzt. Free-Tier reicht; Studio Web läuft direkt im Browser, kein lokales Studio nötig.

Bitte zu Workshop 2 mitbringen: beide Logins (E-Mail und Passwort gespeichert oder im Browser eingeloggt). Wer keinen Account anlegen kann, schaut beim Sitznachbarn mit — verpasst aber das Hands-on.

Hintergrund / Werkzeuge / Ressourcen

Originalmaterial 4D-Framework — Cheat Sheet und Practical Overview von Dakan & Feller (2025).
Begleitlehrbuch — Kapitel 2.4 How to speak und Kapitel 7 Tutor-Prompt-Sammlung.
O*NET-Berufsbild — Accountants and Auditors (13-2011.00) als Faktenbasis für Übung 2.
Vergleichsplattform — arena.ai mit Side-by-Side-Modus für Übung 2.

Weiterführend

Mollick (2024) — Co-intelligence: Living and working with AI (Begleitlektüre zum Studium).
Dell’Acqua et al. (2023) — Navigating the jagged technological frontier (HBS Working Paper, empirisch zur Produktivitätswirkung).
Grootendorst (2025) — A visual guide to LLM agents (visuelle Erklärung des Harness-Konzepts und der drei Konfigurationen).
Willison (2025) — Red-green test-driven development for agentic engineering (didaktisch klare Einführung in TDD für KI-Systeme).
Es et al. (2024) — RAGAS: Automated evaluation of retrieval augmented generation (Originalpaper zur Bewertung von RAG-Systemen).

Tutor

Tutor öffnen

Tutor — KI in Tax, Audit & Advisory →

Vorschlag-Prompt für diesen Workshop:

Ich bereite Workshop 1 (AI Fluency Framework) im Modul KI in Tax, Audit & Advisory vor. Bitte erklären Sie mir die Unterscheidung Process Automation versus Cognitive Automation an einem konkreten Beispiel meiner Wahl: [Beispiel einfügen]. Fragen Sie mich nach meinem Vorwissen, geben Sie eine kurze Lay-Erklärung vor jedem Fachbegriff und stellen Sie am Ende drei Diagnose-Fragen, mit denen ich mein Verständnis selbst prüfen kann.

--- title: "Workshop 1 — AI Fluency Framework" subtitle: "Dienstag, 12.05.2026 · 16:00–19:00 · Campus Südstadt" --- ::: th-color-bar ::: ## Lernziele ::: lernziel-box #### Was Sie nach diesem Workshop können - *Process Automation* und *Cognitive Automation* an konkreten Tätigkeiten aus Tax, Audit und Advisory unterscheiden — und Grenzfälle als Hybrid benennen, - das **4D-Framework** (Delegate, Describe, Discern, Diligence) in eigenen Worten erklären und die beiden Loops im Kopf nachzeichnen, - die drei Konfigurationen **LLM allein**, **erweitertes LLM** und **Agent** unterscheiden und für eine eigene Frage die passende auswählen, - einen einfachen Prompt nach **RTF** und **CREATE** strukturieren und an einer Aufgabe aus dem eigenen Lerngebiet anwenden, - einen Tutor-Bot für das eigene Fachgebiet bauen und mit einer kleinen **Test-Suite** systematisch prüfen. ::: ## Inhalte des Workshops Drei Stunden, eng verzahnt aus fünf kurzen Inputs (zusammen 53 Minuten), vier Übungen mit je 15 Minuten Bearbeitung plus Think-Pair-Share und Plenum-Auflösung (zusammen 88 Minuten), einer Pause (10 Minuten) und Begrüßung/Abschluss (9 Minuten). Alle Übungen sind im Block eingebettet, in dem ihr inhaltlicher Anker liegt — nicht in einen separaten Übungsteil verschoben. :::: week-card ::: card-header 🟦 Block 0 — Begrüßung und Kalibrierung · 5 Min ::: Begrüßung, Lernziele, Hinweis auf den Tutor, kurze Verständigung über Vorerfahrungen mit generativer KI. :::: :::: week-card ::: card-header 🟦 Block 1 — Process vs. Cognitive Automation · 10 Min ::: **Process Automation** — regelbasiertes Abarbeiten strukturierter Workflows ohne Verstehen. **Cognitive Automation** — KI-gestütztes Schließen, Klassifizieren, Zusammenfassen unstrukturierter Inhalte. Das *Service-Automation-Continuum* nach @lacity2021becoming und @willcocks2024evolution ordnet beide Kategorien plus *Intelligent Automation* als orchestrierende Schicht in eine kohärente Sourcing-Strategie ein. ![Service-Automation-Continuum von Process Automation über Cognitive Automation bis Intelligent Automation. Adaptiert nach Lacity & Willcocks (2021).](../images/automation-continuum-process-automation-cognitive-automation-lacity-willcocks-2021.png){fig-alt="Visualisierung des Service-Automation-Continuum mit den Stufen RPA, Cognitive Computing, Cognitive Automation und Intelligent Automation, jeweils mit zunehmender Komplexität und Autonomie"} Drei Verankerungs-Beispiele aus Tax/Audit: Bank-zu-SAP-Abstimmung (Process); semantische Klassifikation eingehender Belege (Cognitive); Ende-zu-Ende-Bot, der klassifiziert, einbucht und Differenzen meldet (Intelligent Automation). ➡️ [Übung 1 — Diagnose-Quiz Process vs. Cognitive](02-uebungen-w1.qmd#sec-uebung-1){.assignment-badge} · 18 Min (8 Min Solo + 4 Min TPS + 3 Min Plenum + 3 Min Puffer) :::: :::: week-card ::: card-header 🟦 Block 2 — 4D-Framework Kurzdurchlauf · 7 Min ::: Vier Kernkompetenzen, je drei Subkategorien nach @dakan2025framework. **Delegate** (Problem-, Platform-, Task-Awareness) · **Describe** (Product-, Process-, Performance-Description) · **Discern** (Product-, Process-, Performance-Discernment) · **Diligence** (Creation-, Transparency-, Deployment-Diligence). Zwei Loops: *Delegate–Diligence* (strategisch), *Describe–Discern* (operativ). Heute behandeln wir Delegate, Describe und Discern in dieser Reihenfolge; Diligence wird morgen vertieft. :::: :::: week-card ::: card-header 🟦 Block 3 — Delegate: Modell, Harness, agentische Nutzung · 12 Min ::: Drei Konfigurationen sauber trennen: - **LLM allein** — ein Textgenerator. Stellen Sie sich einen sehr belesenen Bibliothekar vor, der nur reden kann, nichts nachschlagen und nichts ausführen. - **Erweitertes LLM** — dasselbe Modell, eingebettet in eine *Harness* mit Tools wie Web-Search, File-Upload, Code-Execution. Der Bibliothekar bekommt eine Werkbank. - **Agent** — ein erweitertes LLM, das in einer Schleife arbeitet: Ziel, Plan, Werkzeug, Bewertung, neuer Plan. Der Bibliothekar erledigt eigenständig mehrschrittige Aufgaben und meldet sich erst zurück, wenn er fertig ist. ![LLM-Kern und Harness als Werkzeugring — was ein Modell tatsächlich kann, hängt mindestens so stark von der Harness ab wie vom Modell selbst.](../images/llm-augmented-visualization.png){fig-alt="Visualisierung eines LLM-Kerns, umgeben von einem Werkzeugring aus Web-Search, Memory, Tools und User Interface"} Die didaktische Pointe: Wer Aufgaben delegieren will, muss wissen, in welcher der drei Konfigurationen das eigene System läuft, weil Fähigkeiten und Risikoprofil substanziell verschieden sind [@grootendorst2025visual; @mollick2024cointelligence]. ![Die Jagged Frontier — KI-Fähigkeiten sind unregelmäßig verteilt, mit unerwartet starken und unerwartet schwachen Bereichen. Adaptiert nach Dell'Acqua et al. (2023) und Mollick (2024).](../images/jagged-frontier-genai.png){fig-alt="Visualisierung der Jagged Frontier als zerklüftete Linie, die starke und schwache Fähigkeitsbereiche von KI-Systemen unregelmäßig trennt"} ➡️ [Übung 2 — Karriereentwicklung im Modellvergleich](02-uebungen-w1.qmd#sec-uebung-2){.assignment-badge} · 22 Min (15 Min Übung + 4 Min TPS + 3 Min Plenum) :::: :::: week-card ::: card-header ☕ Pause · 10 Min ::: :::: :::: week-card ::: card-header 🟦 Block 4 — Describe: RTF und CREATE · 12 Min ::: Leitanalogie: Der Chatbot ist eher ein junger Nachhilfeschüler als ein Taschenrechner — er versteht Anweisungen, braucht Kontext, möchte gezeigt bekommen, was Sie wollen, und wird mit Beispielen besser. Inhaltlicher Anker: das Kapitel *How to speak* aus dem begleitenden Lehrbuch [@bartnik2026genai4teaching]. Zwei Schemata: - **RTF** — *Role, Task, Format*. Sparsam und schnell. Beispiel: „Sie sind Wirtschaftsprüferin. Erläutern Sie das Going-Concern-Prinzip. Antworten Sie in drei kurzen Absätzen für Erstsemester." - **CREATE** — *Character, Request, Examples, Adjustments, Type of output, Extras*. Reicher und für komplexe Aufgaben besser geeignet. Beide Schemata mit identischer Beispielaufgabe vorführen, damit der Unterschied direkt sichtbar wird. ➡️ [Übung 3 — Prompt-Umbau und Tutor-Bot](02-uebungen-w1.qmd#sec-uebung-3){.assignment-badge} · 22 Min (15 Min Übung + 4 Min TPS + 3 Min Plenum) :::: :::: week-card ::: card-header 🟦 Block 5 — Discern: Outputs systematisch prüfen · 12 Min ::: Zwei Ideen, eine Übersetzung auf Tax/Audit: - **RAGAS-Idee** — eine Bewertung von Antworten aus Retrieval-Augmented-Systemen entlang weniger Kerngrößen: *Faithfulness* (passt die Antwort zu den abgerufenen Quellen?), *Answer Relevance* (beantwortet sie die Frage?), *Context Precision* und *Context Recall* (wurden die richtigen Quellen abgerufen?) [@es2024ragas]. Im Kern: ein Test-Set aus Fragen mit erwarteten Antworten, das Sie immer wieder durchlaufen lassen. - **Red-Green-TDD nach Willison** — Testfälle zuerst. Sie schreiben fünf bis zehn Beispielfragen mit gewünschten Antworten, lassen den Agenten durchlaufen, markieren *rot* (fehlerhaft), *gelb* (teilweise) oder *grün* (korrekt). Dann iterieren Sie Prompt, Modell und Harness, bis möglichst viele Tests grün werden [@willison2025redgreen]. Die Methode kommt aus dem Test-Driven Development der Software-Entwicklung — Kent Becks „Red first" auf Prompt-Ebene übertragen. Übersetzung auf Tax/Audit: Eine kleine Sammlung typischer Berufsfragen (Anwendung des Reverse-Charge-Verfahrens, Going-Concern-Prüfung, Behandlung von Rückstellungen) wird zur Test-Suite. Genau das bauen Sie in der nächsten Übung — zum Tutor-Bot aus Übung 3. ![RAG als Bücherregal-Metapher — statt aus dem Gedächtnis zu antworten, schlägt das Modell zuerst in einer externen Quelle nach.](../images/rag-hope-genai-bookshelf.png){fig-alt="Bildhafte Darstellung von Retrieval-Augmented Generation als Bücherregal, aus dem ein KI-Assistent vor der Antwort nachschlägt"} ➡️ [Übung 4 — Tutor-Bot systematisch prüfen](02-uebungen-w1.qmd#sec-uebung-4){.assignment-badge} · 22 Min (15 Min Übung + 4 Min TPS + 3 Min Plenum) :::: :::: week-card ::: card-header 🟧 Block 6 — Abschluss und Brücke zu Tag 2 · 9 Min ::: Kurzer Rückblick auf die vier Übungen: Welche der drei Konfigurationen (LLM allein, erweitertes LLM, Agent) ist Ihnen heute am vertrautesten geworden? Welche Test-Frage aus Übung 4 würde morgen im echten Berufsalltag bestehen? Brücke zu Workshop 2 (Mittwoch, 13.05.): **Diligence** als vierte Kompetenz — Verantwortung, Transparenz, Verifikation. Konkret morgen: berufsrechtliche Pflichten (WPO § 43, StBerG § 57, DSGVO), Personal AI Policy. :::: ## Diskussionsfragen - An welcher Stelle in Ihrem Studium würde ein Tutor-Bot Sie heute schon ersetzen — und an welcher nicht? - Item 9 des Diagnose-Quiz (OCR plus ERP-Einspielung) ist ein Hybrid aus *Cognitive* und *Process*. Wo verläuft die Grenze in einem realen Workflow Ihrer Wahl? - Welche Konfiguration aus *LLM allein · erweitertes LLM · Agent* passt zu welcher Aufgabenklasse Ihres Studienalltags? Wo lohnt sich der Aufpreis für ein stärkeres Modell oder eine reichere Harness konkret? - Wann ist eine Test-Suite mit fünf Fragen aussagekräftiger als eine spontane Qualitätsprüfung? Wann nicht? ## Aufgaben ::: callout-note ## Vier Übungen im Workshop, eingebettet in die Inputs [Übung 1 — Diagnose-Quiz](02-uebungen-w1.qmd#sec-uebung-1){.assignment-badge} [Übung 2 — Karriereentwicklung](02-uebungen-w1.qmd#sec-uebung-2){.assignment-badge} [Übung 3 — Prompt-Umbau und Tutor-Bot](02-uebungen-w1.qmd#sec-uebung-3){.assignment-badge} Jede Übung dauert maximal 15 Minuten und schließt mit Think-Pair-Share und kurzer Plenum-Auflösung. Innerhalb jeder Übung gibt es eine **Erweiterungsfrage für schnelle Studierende** — wer früh fertig ist, vertieft, statt zu warten. Die Discern-Übung *Tutor-Bot systematisch prüfen* eröffnet Workshop 2 als [Übung 2 — Tutor-Bot Test-Suite](04-uebungen-w2.qmd#sec-test-suite); davor steht als Einstieg in den zweiten Tag der zweistufige [Quellenbindungs-Prompt an der eigenen Prüfungsordnung](04-uebungen-w2.qmd#sec-pruefungsordnung). ::: ## Hausaufgabe zum Folgetag Für Workshop 2 brauchen Sie zwei kostenfreie Accounts. Bitte vor der Sitzung am Mittwoch einrichten — beides dauert jeweils etwa fünf Minuten. ::: callout-note ## Zwei Accounts vor Workshop 2 - **Signavio Academic Edition** — Account anlegen unter <https://academic.signavio.com/p/explorer>. Wird in Workshop 2 für die BPMN-Modellierung des Rechnungseingangsprozesses genutzt. Hochschul-E-Mail-Adresse wird empfohlen, kostenfrei, kein Download nötig. - **UiPath Cloud** — Account anlegen unter <https://cloud.uipath.com/>. Wird für das Lesen und Anpassen des Excel-zu-PDF-Bots genutzt. Free-Tier reicht; *Studio Web* läuft direkt im Browser, kein lokales Studio nötig. **Bitte zu Workshop 2 mitbringen:** beide Logins (E-Mail und Passwort gespeichert oder im Browser eingeloggt). Wer keinen Account anlegen kann, schaut beim Sitznachbarn mit — verpasst aber das Hands-on. ::: ## Hintergrund / Werkzeuge / Ressourcen - **Originalmaterial 4D-Framework** — Cheat Sheet und Practical Overview von @dakan2025framework. - **Begleitlehrbuch** — [Kapitel 2.4 *How to speak*](https://th-koln-bartnik.github.io/genai4teaching/kapitel02.html#sec-how-to-speak){target="_blank"} und [Kapitel 7 *Tutor-Prompt-Sammlung*](https://th-koln-bartnik.github.io/genai4teaching/kapitel07-appendix02-prompt-sammlung.html#sec-general-tutor){target="_blank"}. - **O\*NET-Berufsbild** — [Accountants and Auditors (13-2011.00)](https://www.onetonline.org/link/summary/13-2011.00){target="_blank"} als Faktenbasis für Übung 2. - **Vergleichsplattform** — [arena.ai](https://arena.ai){target="_blank"} mit Side-by-Side-Modus für Übung 2. ## Weiterführend - @mollick2024cointelligence — *Co-intelligence: Living and working with AI* (Begleitlektüre zum Studium). - @dellacqua2023navigating — *Navigating the jagged technological frontier* (HBS Working Paper, empirisch zur Produktivitätswirkung). - @grootendorst2025visual — *A visual guide to LLM agents* (visuelle Erklärung des Harness-Konzepts und der drei Konfigurationen). - @willison2025redgreen — *Red-green test-driven development for agentic engineering* (didaktisch klare Einführung in TDD für KI-Systeme). - @es2024ragas — *RAGAS: Automated evaluation of retrieval augmented generation* (Originalpaper zur Bewertung von RAG-Systemen). ## Tutor ::: callout-tip ## Tutor öffnen [Tutor — KI in Tax, Audit & Advisory →](https://chatgpt.com/g/g-6a03076b4da88191b9e9ae9580a0c2ce-ki-tutor-fur-workshop-auditing-tax-advisory){target="_blank"} Vorschlag-Prompt für diesen Workshop: > Ich bereite Workshop 1 (AI Fluency Framework) im Modul *KI in Tax, Audit & Advisory* vor. Bitte erklären Sie mir die Unterscheidung *Process Automation* versus *Cognitive Automation* an einem konkreten Beispiel meiner Wahl: [Beispiel einfügen]. Fragen Sie mich nach meinem Vorwissen, geben Sie eine kurze Lay-Erklärung vor jedem Fachbegriff und stellen Sie am Ende drei Diagnose-Fragen, mit denen ich mein Verständnis selbst prüfen kann. :::