Claude kann Informationen aus Gesprächen neu auch in seinem Arbeitsmodus Cowork verwenden und soll dadurch weniger wiederholte Erklärungen benötigen. Diese engere Verbindung von Gedächtnis und Ausführung zeigt, wie Künstliche Intelligenz (KI) vom gelegentlichen Textwerkzeug zur digitalen Kollegin wird. Für dich ist dabei weniger entscheidend, ob die KI menschlich wirkt, sondern welche Aufgaben sie verlässlich übernimmt und wo Kontrolle unverzichtbar bleibt.
Was KI als Kollegin besser macht
Anthropic führt laut der Meldung zur gemeinsamen Claude-Erinnerung die Gedächtnissysteme von Chat und Claude Cowork zusammen. Informationen, die Claude in einem Gespräch aufnimmt, sollen dadurch auch verfügbar sein, wenn Cowork anschliessend eine Aufgabe ausführt. Zuvor mussten Nutzerinnen und Nutzer Projekte häufig erneut erklären, sobald sie vom Nachdenken zur praktischen Umsetzung wechselten.
Ein konkretes Beispiel ist die Vorbereitung einer Konferenz. Wenn du zuvor mit Claude über Teilnehmerzahl, Ort und Referierende gesprochen hast, kann Cowork diese Angaben später für eine Traktandenliste oder eine Mitteilung an deine Führungskraft verwenden. Die Entlastung liegt nicht in einer einzelnen spektakulären Fähigkeit, sondern darin, dass Kontext nicht bei jedem Wechsel verloren geht.
Claude ergänzt Themen laut Anthropic bereits während eines laufenden Gesprächs zu seinem Gedächtnis, statt erst am Ende eine Zusammenfassung anzulegen. Gespeicherte Angaben kannst du lesen, bearbeiten oder löschen. Damit wird die KI transparenter als ein System, das im Hintergrund zwar etwas behält, dir aber nicht zeigt, was es zu wissen glaubt.
Die Funktion ist nach Angaben des Anbieters standardmässig in den Abonnements Free, Pro und Max auf Web, Desktop und Mobilgeräten aktiviert. Für iOS und Android ist die aktuelle App-Version erforderlich; konkrete Preise nennt die vorliegende Quelle nicht. Auch zur Qualität in verschiedenen Sprachen oder zu besonderen Bedingungen für Nutzerinnen und Nutzer in der Schweiz enthält sie keine Angaben.
Was sich zuverlässig beschleunigen lässt
Besonders greifbar ist der Nutzen bei häufigen, ähnlich aufgebauten Vorgängen. Ein Fall zur automatisierten Dokumentenverarbeitung beschreibt die DFKP GmbH, bei der täglich rund 1’000 Dokumente eingehen, oft gemeinsam in unsortierten PDF-Dateien. Früher benötigte das Sortieren 2,5 bis drei Vollzeitkräfte.
Die eingesetzte Plattform trennt Sammeldateien, ordnet Einzeldokumente einer Kategorie zu und liest passende Felder aus. Anschliessend übergibt sie die Daten an das Customer-Relationship-Management-System (CRM), also die zentrale Software für Kunden- und Vorgangsdaten. Der gebundene Aufwand sank laut Bericht auf 0,5 Vollzeitkräfte, während fehlerhaft zurückgesandte Dokumente von ungefähr 25 auf zwei bis drei Fälle pro Woche zurückgingen.
Das ist keine vollautomatische Ersatzbelegschaft. Jedes Dokument erhält einen Konfidenzwert, also eine Einschätzung, wie sicher das System bei seiner Zuordnung ist. Nur oberhalb einer je Dokumentenklasse festgelegten Schwelle läuft ein Fall ohne menschliche Prüfung weiter; bei den wichtigsten Klassen betrifft das 90 bis 95 Prozent. DFKP hält eine Automatisierungsquote von 100 Prozent ausdrücklich für das falsche Ziel.
Auch der Einführungsaufwand relativiert den Eindruck einer sofort einsatzbereiten Lösung. Das Setup beanspruchte einmalig 80 bis 90 Personentage, fast die Hälfte davon für Nachbesserungen. Zuvor hatte das Unternehmen unter anderem optische Zeichenerkennung (OCR), also das maschinelle Auslesen von Text aus Scans, und eigene Arbeitsabläufe getestet. Es entschied sich wegen der Haftungs- und Verfügbarkeitsfragen für einen externen Betreiber mit vertraglicher Zusicherung.
Ein zweites Feld ist die Entwicklung kleiner interner Werkzeuge. OpenAI berichtet, dass der Reiseanbieter loveholidays Codex im ganzen Unternehmen einsetzt, damit Teams Ideen schneller in Produkte übersetzen können. Die knappe Anbieterzusammenfassung liefert jedoch weder Messwerte noch Angaben zu Kosten, Fehlern oder menschlicher Prüfung; der behauptete Nutzen ist deshalb nicht unabhängig belegt.
Pro und Kontra der KI als Kollegin
Pro:
- Weniger Wiederholung – Ein gemeinsames Gedächtnis kann verhindern, dass du Projektangaben beim Wechsel zwischen Gespräch und Ausführung erneut eingeben musst.
- Schnellere Routinearbeit – Sortieren, Einordnen und Übertragen standardisierter Dokumente lässt sich bei klaren Regeln weitgehend automatisieren.
- Mehr Kapazität – Im DFKP-Beispiel stieg das Dokumentenvolumen stark, ohne dass dafür zusätzliches Personal aufgebaut wurde.
- Niedrigere Einstiegshürde – Werkzeuge wie Codex sollen laut Anbieter auch Teams ausserhalb klassischer Entwicklungsrollen beim Umsetzen von Ideen unterstützen.
Kontra:
- Fehler bleiben – Selbst ein erfolgreicher Dokumentenprozess produziert weiterhin Fälle, die falsch eingeordnet werden oder menschliche Klärung benötigen.
- Gedächtnis schafft Datenrisiken – Je mehr Kontext eine KI behält, desto genauer musst du kontrollieren, welche persönlichen oder geschäftlichen Angaben gespeichert sind.
- Einführung kostet Arbeit – Schnittstellen, Schwellenwerte, Nachbesserungen und Verantwortlichkeiten verschwinden nicht durch den Kauf eines KI-Werkzeugs.
- Anbieterbelege sind begrenzt – Einige der beschriebenen Vorteile stammen direkt von den Herstellern und sind in den gelieferten Quellen nicht unabhängig geprüft.
Was das für deine Praxis heisst
Wenn du einsteigst, wähle eine wiederkehrende Aufgabe mit überschaubaren Folgen. Das kann ein erster Entwurf für eine interne Mitteilung oder das Sortieren nicht sensibler Unterlagen in bekannte Kategorien sein. Vergleiche mehrere Ergebnisse mit deiner bisherigen Arbeit und kontrolliere vor jeder Weitergabe Namen, Zahlen, Kategorien und fehlenden Kontext.
Nutze ein KI-Gedächtnis nicht als Ablage für alles, was gerade bequem erscheint. Anthropic erklärt, Claude speichere standardmässig keine persönlichen oder sensiblen Angaben wie Gesundheitsdaten, ethnische Zugehörigkeit, Religion, politische Ansichten oder Geschlechtsidentität. Nutzerinnen und Nutzer können sensible Themen jedoch aktiv freigeben und sollen benachrichtigt werden, wenn solche Angaben gespeichert werden; bestimmte Daten wie amtliche Identifikationsnummern sollen gar nicht gespeichert werden.
Für Fortgeschrittene liegt der grössere Nutzen in einem abgestuften Prozess. Definiere, welche Fälle automatisch weiterlaufen dürfen, welche Stichproben du prüfst und bei welchem Unsicherheitswert ein Mensch übernimmt. Beim Dokumenteneingang können diese Grenzen für Verträge anders ausfallen als für Lieferscheine, weil ein identischer Fehler je nach Vorgang unterschiedliche Folgen hat.
Dokumentiere zudem, wer für Freigaben, Korrekturen und Ausfälle zuständig ist. Für ein Unternehmen in der Schweiz sind dabei Sprache, gespeicherte Geschäftsdaten, Zugriffsrechte und der Standort beziehungsweise die vertragliche Behandlung der Daten praktische Prüfpunkte. Die vorliegenden Quellen nennen dazu keine schweizspezifischen Datenschutzregeln oder Verfügbarkeitszusagen, weshalb sich aus ihnen keine pauschale Freigabe ableiten lässt.
Was bei Verantwortung und Nachwuchs offen ist
In der Softwareentwicklung wird die Rollenverschiebung besonders deutlich. Beim sogenannten Vibe Coding beschreibt ein Mensch die gewünschte Funktion in natürlicher Sprache, während die KI den Quellcode erzeugt. Eine Einordnung aus der Schweizer Softwarebranche betont, dass der Übergang vom schnellen Prototyp zur dauerhaft betriebenen Software weiterhin Qualitätssicherung, Sicherheit, Governance, Wartung und Betrieb verlangt.
Die menschliche Arbeit verschwindet damit nicht, sondern verlagert sich auf Vorgaben, Bewertung und Verantwortung. Fachwissen bleibt nötig, um zu erkennen, ob ein Ergebnis nur plausibel aussieht oder tatsächlich zur bestehenden Umgebung und zum Geschäftszweck passt. Der Beitrag verweist zudem auf einen Professor der Ostschweizer Fachhochschule, der Grenzen, notwendiges Informatikwissen und den messbaren Mehrwert solcher Werkzeuge thematisiert.
Das betrifft auch Nachwuchskräfte. Agentisches Programmieren bezeichnet Systeme, die nicht nur einzelne Codevorschläge machen, sondern mehrstufige Entwicklungsaufgaben selbstständig bearbeiten. Ein Beitrag über den möglichen Ersatz von Junior Engineers formuliert laut Kurzfassung vier überprüfbare Bedingungen und vergleicht sie mit mehreren Primärquellen. Die gelieferte Zusammenfassung nennt jedoch weder die Bedingungen noch das Ergebnis, weshalb sie keinen Beleg dafür bietet, dass Nachwuchskräfte tatsächlich ersetzbar sind.
Gerade Junior-Mitarbeitende erledigen nicht nur einfache Aufgaben. Sie lernen Systeme, prüfen Annahmen, entwickeln Fachwissen und bilden den späteren Pool erfahrener Fachkräfte. Wenn Unternehmen sämtliche Einstiegsarbeit automatisieren, sparen sie möglicherweise kurzfristig Bearbeitungszeit, schwächen aber den Weg, auf dem Menschen Urteilsvermögen und Verantwortung erwerben. Dieses organisatorische Risiko wird durch bessere Code-Erzeugung nicht automatisch gelöst.
KI ist bereits eine brauchbare Kollegin für klar begrenzte, wiederkehrende und überprüfbare Aufgaben. Die Beispiele zeigen messbare Entlastung, aber ebenso Einführungsaufwand, verbleibende Fehler und neue Datenfragen. Offen bleibt vor allem, wie Unternehmen Effizienz gewinnen, ohne Kontrolle, Fachwissen und die Ausbildung der nächsten Generation von Mitarbeitenden auszudünnen.
Quellen
- Claude Cowork finally remembers what you told the app in chat – TechCrunch, 2026-08-25
- How loveholidays is making everyone a builder with Codex – OpenAI, 2026-08-26
- Von 25 auf 3 Fehler pro Woche: So automatisiert ein Mittelständler seinen Dokumenteneingang – t3n, 2026-08-26
- Code nach Gefühl – wie Vibe Coding die Softwareentwicklung herausfordert – Netzwoche, 2026-08-26
- What Would Have to Be True for Agentic Coding to Replace Junior Engineers – MarkTechPost, 2026-08-26
