Nicht jeder moderne Ablauf braucht künstliche Intelligenz. Manchmal ist eine einfache Regel schneller, günstiger und verlässlicher. Gleichzeitig gibt es Aufgaben, bei denen starre Regeln kaum praktikabel sind: freie E-Mails verstehen, Dokumente mit unterschiedlichem Aufbau einordnen oder lange Texte zusammenfassen.
Die entscheidende Frage lautet deshalb nicht: Wo können wir KI einbauen? Sie lautet: Welche Art von Entscheidung muss dieser Arbeitsschritt treffen?
Was klare Regeln besonders gut können
Regeln sind ideal, wenn Eingabe und gewünschtes Ergebnis eindeutig sind. Ein Zahlungsziel wird aus Rechnungsdatum und vereinbarter Frist berechnet. Eine Bestellung über einem bestimmten Betrag braucht eine zweite Freigabe. Eine monatliche Wartungsrechnung wird am ersten Werktag vorbereitet.
Solche Regeln sind:
- nachvollziehbar und leicht zu testen,
- bei gleichen Eingaben wiederholbar,
- vergleichsweise günstig im Betrieb,
- gut für kritische Zahlen und Berechtigungen geeignet,
- ohne statistische Unsicherheit ausführbar.
Wenn eine Bedingung als klares „wenn, dann“ formuliert werden kann, ist klassische Logik meistens die erste Wahl.
Wo KI einen echten Vorteil hat
KI wird interessant, wenn Informationen nicht immer gleich aussehen. Eine Kundenanfrage kann knapp, ausführlich, fehlerhaft oder umgangssprachlich formuliert sein. Rechnungen verschiedener Lieferanten enthalten ähnliche Angaben an unterschiedlichen Positionen. Ein Foto lässt sich nicht mit einer einfachen Tabellenregel beurteilen.
Sinnvolle Aufgaben können sein:
- eingehende E-Mails nach Anliegen vorsortieren,
- aus Dokumenten bestimmte Angaben vorschlagen,
- lange Texte oder Gesprächsnotizen zusammenfassen,
- Formulierungsentwürfe aus bekannten Fakten erstellen,
- ähnliche Fälle oder Dokumente auffindbar machen,
- unstrukturierte Inhalte in eine prüfbare Struktur überführen.
Das Wort vorschlagen ist dabei wichtig. Ein KI-Ergebnis kann sehr überzeugend klingen und trotzdem falsch sein. Der Prozess muss deshalb mit Unsicherheit umgehen können.
Ein Workflow braucht selten nur eines von beidem
In der Praxis ist die Kombination meist stärker. Stellen wir uns eine eingehende E-Mail mit einer Kundenanfrage vor:
- Eine KI erkennt wahrscheinlich das Anliegen und extrahiert Name, Rückrufnummer und gewünschte Leistung.
- Eine klassische Prüfung kontrolliert Pflichtfelder und das Format der Daten.
- Feste Regeln weisen die Anfrage anhand von Region und Leistung einer zuständigen Person zu.
- Das System erstellt einen Antwortentwurf.
- Ein Mensch prüft Inhalt und Empfänger, bevor die Nachricht versendet wird.
Die KI übernimmt den uneindeutigen Teil. Regeln sichern den berechenbaren Teil ab. Die Person behält die Kontrolle über die Aktion mit Außenwirkung.
Eine gute KI-Lösung versteckt Unsicherheit nicht. Sie macht sichtbar, was erkannt wurde, wo Angaben fehlen und wer die Entscheidung freigibt.
Drei Fragen vor jeder KI-Funktion
1. Was passiert bei einem Fehler?
Ein falsch eingeordnetes internes Dokument kann korrigiert werden. Eine falsche Zahlung, ein verbindliches Angebot oder eine Nachricht an den falschen Empfänger hat deutlich größere Folgen. Je höher das Risiko, desto stärker müssen feste Prüfungen und menschliche Freigaben sein.
2. Kann das Ergebnis geprüft werden?
Wer nur eine fertige Antwort sieht, kann Fehler schwer erkennen. Besser ist eine Oberfläche, die Quelle und Ergebnis verbindet. Bei einer Dokumentenanalyse sollte beispielsweise erkennbar sein, aus welcher Stelle Betrag, Datum oder Kundennummer übernommen wurden.
3. Welche Daten werden verarbeitet?
Vor der technischen Auswahl muss geklärt sein, ob personenbezogene, geschäftskritische oder vertrauliche Inhalte vorkommen. Daraus folgen Anforderungen an Anbieter, Verträge, Speicherorte, Zugriffsrechte und Löschfristen.
Für sensible Anwendungsfälle kann ein lokal betriebenes Modell sinnvoll sein. Lokal bedeutet aber nicht automatisch sicher: Updates, Benutzerrechte, Protokolle, Backups und der Zugriff auf das Modell müssen trotzdem ordentlich eingerichtet werden.
Cloud-KI oder lokale KI?
Cloud-Dienste sind häufig schnell verfügbar und bieten leistungsfähige Modelle ohne eigene Hardware. Sie eignen sich, wenn die Datenverarbeitung vertraglich und inhaltlich passt und der Anbieter die benötigten Funktionen zuverlässig anbietet.
Lokale Modelle können interessant sein, wenn Daten das eigene System nicht verlassen sollen, eine stabile interne Aufgabe bearbeitet wird oder laufende Abhängigkeiten reduziert werden sollen. Dafür entstehen Aufwand für Hardware, Betrieb, Modellupdates und Qualitätskontrolle.
Die Entscheidung sollte nicht ideologisch getroffen werden. Relevant sind Datenart, benötigte Qualität, Antwortzeit, Menge, Kosten und Wartbarkeit.
Typische Fehlstarts
Ein häufiger Fehler ist ein frei zugänglicher Chatbot ohne klaren Zweck. Er wirkt modern, löst aber keinen konkreten Engpass und kann Aussagen erzeugen, für die sich niemand verantwortlich fühlt.
Ebenso problematisch ist eine KI, die direkt irreversible Aktionen ausführt. Eine automatisch formulierte E-Mail darf vorbereitet werden; bei wichtigen Kundenkommunikationen sollte sie nicht ungeprüft versendet werden.
Der dritte Fehlstart ist die fehlende Erfolgsmessung. „Die KI funktioniert“ reicht nicht. Besser sind konkrete Fragen: Wie viele Vorschläge sind direkt nutzbar? Wie viel Prüfzeit bleibt? Welche Fehlerarten treten auf? Welche Fälle müssen weiterhin komplett manuell bearbeitet werden?
Eine einfache Entscheidungsmatrix
Nutze feste Regeln, wenn das Ergebnis eindeutig sein muss, Zahlen und Fristen betroffen sind oder sich die Logik vollständig beschreiben lässt.
Prüfe KI, wenn Texte, Bilder oder wechselnde Dokumente verstanden werden müssen und ein hilfreicher Vorschlag genügt.
Kombiniere beides, wenn unstrukturierte Informationen in einen verlässlichen Geschäftsprozess überführt werden sollen.
Behalte eine Freigabe, wenn Fehler finanzielle, rechtliche oder persönliche Folgen haben können.
So beginnt ein sinnvoller Test
Ein guter Prototyp bearbeitet einen eng begrenzten, anonymisierten Beispieldatensatz. Vorher werden erwartete Ergebnisse und Fehlerfälle festgelegt. Anschließend wird nicht nur geprüft, ob beeindruckende Beispiele funktionieren, sondern wie sich die Lösung bei unvollständigen, ungewöhnlichen und schlechten Eingaben verhält.
Erst wenn Qualität, Prüfaufwand und Datenschutz passen, wird der Schritt in den echten Ablauf integriert. Dadurch bleibt KI ein Werkzeug innerhalb eines verständlichen Prozesses und wird nicht selbst zum unkontrollierbaren Prozess.