Im thinkBI Podcast geht es diesmal nicht darum, wo KI überall eingesetzt werden kann. Im Mittelpunkt steht eine ruhigere und wichtigere Frage: Wo sollte sie nicht die erste Wahl sein? Der Anstoß für diese Unterscheidung kommt aus einem Video der IBM-Technology-Reihe, das du hier findest: IBM Technology Video auf YouTube.
Die gegenwärtige Diskussion erzeugt leicht den Eindruck, jedes Problem werde besser, sobald ein großes Sprachmodell, ein Agent oder eine generative Oberfläche darauf angesetzt wird. Diese Vorstellung verwechselt technische Reichweite mit fachlicher Angemessenheit. Eine Lösung ist nicht deshalb gut, weil sie möglichst viel kann. Sie ist gut, wenn sie zur Aufgabe passt, nachvollziehbar bleibt und die nötige Verantwortung dort verankert, wo sie hingehört.
Der Ausgangspunkt ist deshalb nicht die Technologie. Es ist die Art der Aufgabe.
Verantwortung lässt sich nicht auslagern
Es gibt Situationen, in denen ein Mensch nicht nur beteiligt sein, sondern urteilen und Verantwortung übernehmen muss. Das gilt besonders dort, wo ethische Abwägungen, Haftung oder weitreichende Folgen im Spiel sind.
Ein Mensch in einem Freigabeschritt genügt dabei nicht automatisch. Wenn die Aufgabe so komplex ist, dass niemand mehr sinnvoll bewerten kann, was ein System entschieden oder vorgeschlagen hat, wird die Kontrolle zur Formalität. Dann steht zwar noch ein Mensch im Prozess, doch die tatsächliche Urteilsfähigkeit ist bereits verloren gegangen.
Die entscheidende Frage lautet daher nicht nur: Kann ein Mensch eingreifen? Sondern auch: Kann ein Mensch mit der nötigen Fachexpertise die Aufgabe und ihre Konsequenzen wirklich beurteilen?
KI kann in solchen Fällen unterstützen, Informationen aufbereiten oder Optionen sichtbar machen. Die Verantwortung für das Urteil sollte jedoch nicht verschwimmen. Gerade in entscheidungsrelevanten Kontexten ist das keine Einschränkung der Technologie. Es ist eine Klarstellung der Rollen.
Klare Regeln brauchen keine Blackbox
Viele Aufgaben sind weniger offen, als sie zunächst wirken. Wenn Abläufe über eindeutige Bedingungen, Parameter und Regeln beschrieben werden können, ist klassische Software oft das passendere Mittel.
Ein Wenn-Dann-Sonst-Ablauf mag weniger spektakulär wirken als generative KI. Dafür kann er vorhersehbar, prüfbar und verständlich sein. Das ist besonders wertvoll, wenn ein Prozess zuverlässig auf dieselbe Eingabe reagieren soll oder wenn nachvollziehbar sein muss, warum ein Ergebnis entstanden ist.
Auch hier kann KI hilfreich sein, etwa beim Erstellen von Code oder beim Strukturieren von Anforderungen. Die operative Lösung muss deshalb aber nicht selbst generativ sein. Wer eine klar definierte Regel mit einem schwer kontrollierbaren System ersetzt, gewinnt nicht automatisch an Intelligenz. Häufig steigt nur die Komplexität.
Das sind keine nostalgischen Vorbehalte gegen neue Technik. Das sind Anforderungen an ein belastbares Systemdesign.
Muster erkennen ist etwas anderes als Texte erzeugen
Zwischen festen Regeln und generativer KI liegt ein Bereich, der im aktuellen Diskurs leicht untergeht: spezialisierte Machine-Learning-Modelle. Sie sind dann sinnvoll, wenn es darum geht, Muster zu erkennen oder Vorhersagen zu treffen, etwa bei Betrugserkennung, Abwanderungsrisiken, Prognosen oder Empfehlungssystemen.
Solche Modelle sind auf eine konkrete Problemklasse ausgerichtet. Sie können komplexe Zusammenhänge verarbeiten, gut skalieren und bleiben dabei häufig stärker auf ihre Aufgabe begrenzt als ein universell einsetzbares Sprachmodell. Das macht sie nicht automatisch einfach. Aber es macht ihre Rolle klarer.
Nicht jede KI-Aufgabe muss eine offene Unterhaltung führen, Texte generieren oder autonom mehrere Schritte planen. Für eine präzise Musterfrage ist ein präzises Modell oft die bessere Wahl.
Generative KI braucht einen passenden Rahmen
Generative KI spielt ihre Stärke dort aus, wo Informationen unstrukturiert, sprachlich, bildhaft oder offen sind. Dokumente zusammenfassen, Code entwerfen, Kundenanfragen bearbeiten oder mehrstufige Workflows unterstützen: Für solche Aufgaben bietet sie eine Flexibilität, die klassische Regelwerke nur mit großem Aufwand erreichen.
Diese Flexibilität hat ihren Preis. Ergebnisse sind nicht immer vollständig vorhersehbar. Fehlerhafte oder erfundene Aussagen bleiben möglich. Betrieb und Absicherung können aufwendiger werden. Deshalb darf der Einsatz nicht mit der Frage beginnen, welches Modell verfügbar ist. Er beginnt mit der Frage, welche Qualität das Ergebnis haben muss und welche Kontrolle realistisch möglich ist.
Für Business Intelligence ist diese Unterscheidung besonders wichtig. BI soll Entscheidungen systematisch mit Informationen verbinden. Wenn ein System Empfehlungen formuliert, Analysen zusammenfasst oder Informationen priorisiert, müssen Aufgabe, Verantwortung und Nachvollziehbarkeit zusammen gedacht werden. Ein überzeugender Output ist noch keine belastbare Entscheidungsgrundlage.
Die pragmatische Konsequenz ist einfach, aber anspruchsvoll: Menschen dort, wo Urteil und Verantwortung unverzichtbar sind. Regelbasierte Software dort, wo Regeln klar sind. Spezialisierte Modelle dort, wo Muster erkannt werden sollen. Generative KI dort, wo ihre Flexibilität wirklich gebraucht wird.
Nicht jede Aufgabe braucht generative KI. Aber jede Aufgabe verdient eine passende Lösung.
🎧 Die komplette Folge findest du im thinkBI Podcast.
Musik: Great Podcast Intro (short & long) von Lundstroem
Quelle: freemusicarchive.org (Creative Commons) – https://freemusicarchive.org/music/lundstroem/songs-for-leona/great-podcast-intro-both-short-and-long-version-included/
