Erst Regeln, dann das Modell: Automatisierung oder KI richtig wählen

Die Preisberechnung in unserem Generator für Geschäftsangebote haben weder Menschen noch ein Modell übernommen. Das haben Regeln erledigt: eine Liste von Positionen, Rabatte, Steuern, Nebenkosten – alles wurde nach Tabelle eingesetzt. Regeln irren sich nicht in der Arithmetik, werden freitags nicht müde und erfinden keine Position, die es im Preisblatt nicht gibt.

Das ist der langweilige Teil des Systems, und genau er hat den größten Teil der Wirkung gebracht. Die Frage, die man vor der Wahl des Werkzeugs stellen sollte, lautet: Hat diese Aufgabe eine eindeutig richtige Antwort, die sich als Regel formulieren lässt – oder nicht? Von der Antwort hängt nicht nur der Preis der Einführung ab, sondern auch, wer am Ende die Verantwortung für Fehler trägt.

Drei Merkmale, an denen Sie eine Aufgabe für Regeln statt KI erkennen

Eine Aufgabe lässt sich bequem anhand von drei Fragen prüfen, und alle drei lassen sich vor der Wahl des Anbieters beantworten. Jede von ihnen sortiert eine ganze Klasse von Projekten aus, die sonst den teuren Weg nehmen würden.

Die richtige Antwort ist eindeutig und überprüfbar. Der Auftragswert bei gegebenen Positionen und Rabatt ist genau einer. Das Fristende ist genau eines. Ob gegen einen Geschäftspartner ein Vollstreckungsverfahren läuft, ist ein Ja oder ein Nein. Bei solchen Aufgaben bringt ein Modell nicht mehr Qualität, sondern mehr Streuung: Es kann die richtige Antwort geben oder eine plausible. Eine Regel liefert bei denselben Eingabedaten immer dieselbe Antwort, und genau das ist ihre zentrale Eigenschaft – keine Einschränkung.

Der Fehler hat einen Preis und einen Verantwortlichen. Ein Rechenfehler geht zulasten der Marge, ein Fristfehler kostet eine Vertragsstrafe, ein Fehler in den Zahlungsdaten führt zur Überweisung an die falsche Adresse. Begeht eine Regel den Fehler, dauert die Aufklärung Minuten: Die Regel wird geöffnet, gelesen und korrigiert, und danach wiederholt sich der Fehler nicht. Begeht ein Modell den Fehler, endet die Aufklärung bei einer Frage, auf die es keine kurze Antwort gibt – warum es diesmal anders geantwortet hat.

Bei Wiederholung wird dasselbe Ergebnis verlangt. Ein internes Dokument, das an den Kunden geht, ein Bericht an die Geschäftsführung, ein Eintrag im Buchhaltungssystem – überall dort, wo das Ergebnis mit dem vorherigen verglichen wird, zählt Reproduzierbarkeit mehr als Flexibilität. Zwei ähnliche Anfragen sollten zwei identische Antworten ergeben, sonst wird über den Unterschied zwischen ihnen diskutiert statt über die eigentliche Arbeit.

Die dritte Spalte ist hier wichtiger als die ersten beiden. Im deterministischen Teil ist die Verantwortung namentlich zurechenbar und lokalisierbar, im probabilistischen Teil ist sie verteilt und braucht einen eigenen Mechanismus. Projekte, die diese Frage am Anfang nicht klären, bleiben später genau daran hängen.

Man sollte auch sagen, was dieser Test nicht löst. Er beantwortet nicht die Frage, ob überhaupt automatisiert werden muss: Eine Aufgabe mit einer einzigen richtigen Antwort kann einmal im Quartal anfallen und keine einzige Entwicklungsstunde wert sein. Und er nimmt einem nicht den schwierigsten Teil der Arbeit ab – herauszufinden, wie die Regel eigentlich lautet. In unserem Fall hat die Formalisierung der Preisberechnung länger gedauert als ihre Programmierung: Es stellte sich heraus, dass drei Vertriebsmitarbeiter drei unterschiedliche Vorstellungen davon hatten, auf welcher Basis der Rabatt berechnet wird – und vor der Einführung war das nirgendwo aufgefallen.

Das ist ein typischer Befund. Eine Regel, die „ohnehin jeder kennt“, zerfällt beim Versuch, sie aufzuschreiben, in mehrere widersprüchliche Versionen – und schon diese Klärung bringt einen Nutzen, unabhängig davon, womit die Aufgabe am Ende gelöst wird.

Warum Pilotprojekte selten bis zum Gewinn durchdringen

Die Lücke zwischen Demonstration und Wirkung ist von mehreren unabhängigen Gruppen gemessen worden, und die Zahlen stimmen in der Richtung überein, auch wenn die Methoden unterschiedlich sind.

Zu diesem Bericht muss man gesondert etwas sagen. Er wurde in der Presse breit zitiert, und in den Nacherzählungen wurden die Stichprobenparameter verzerrt – statt 52 Interviews und 153 befragten Führungskräften tauchten andere Zahlen auf. Man sollte ihn anhand des PDFs selbst prüfen, nicht anhand der Nachrichten darüber; und er vergleicht generative KI nicht mit deterministischer Automatisierung – diese Verknüpfung stelle ich her, nicht die Autoren des Berichts.

Die Einschränkung hier ist offensichtlich, und ich benenne sie selbst, nicht ein Kritiker des Artikels: Es handelt sich um Selbstauskünfte von Führungskräften, und das Unternehmen, das die Befragung durchgeführt hat, verkauft Beratung zur KI-Einführung. Methode und Stichprobe sind transparent offengelegt, deshalb lässt sich die Zahl verwenden – aber als Aussage der Marktteilnehmer über sich selbst, nicht als Messung.

Was regelbasierte Prozessautomatisierung schon vor dem KI-Boom gekostet hat

Regeln haben ihre eigene, gemessene Geschichte, und sie ist gerade als Referenzpunkt nützlich. Roboterprozessautomatisierung (RPA) wurde genau an den Stellen eingeführt – Dokumentenmanagement, Backoffice, Antragsbearbeitung –, an denen heute mit Sprachmodellen angesetzt wird.

Die Quelle ist vier Jahre alt, und das ist eine bewusste Entscheidung: Ich brauche eine strukturelle Tatsache über den Reifegrad regelbasierter Automatisierung vor dem Boom der generativen KI, keine aktuelle Meldung. Die Daten beruhen auf Selbstauskünften und sind nicht unabhängig geprüft, und der Anstieg der Amortisationszeit von 16 auf 22 Monate zeigt, dass auch Regeln eine Grenze haben – der Bericht beschönigt das Bild nicht.

Wie ein gemischter Prozess aus Regeln und Modell in der Praxis aussieht

In der Praxis ist die Wahl selten ein Entweder-oder. In einem funktionierenden System stehen beide Klassen nebeneinander, und den Wert schafft die klare Grenze zwischen ihnen – nicht der Sieg der einen über die andere.

Die Reihenfolge der Stufen ist hier nicht dekorativ. Regeln stehen vor dem Modell, weil es günstiger ist, einen erkennbar unvollständigen Input abzufangen, bevor dafür mit einem Modellaufruf bezahlt wurde. Der Mensch in der Entscheidungsschleife (Human-in-the-Loop – ein Szenario, in dem ein Mensch die Entscheidung freigibt oder ablehnt) steht dort, wo ein Fehler Geld kostet, nicht dort, wo er bedrohlicher wirkt.

Und noch etwas zur Messung. Korrekturen, die ein Mensch vornimmt, müssen in den Prüfsatz zurückfließen (Evals – ein Satz von Referenzaufgaben, an denen das Modell geprüft wird). Sonst kann nach einem halben Jahr niemand mehr sagen, ob es besser oder schlechter geworden ist: Es fehlt der Vergleichsmaßstab.

Vorgehen bei der Einführung, das Ihr Budget schont

Häufig gestellte Fragen zu Regeln, KI und Verantwortung