Wann KI bei Ihnen Quatsch ist
Spoiler: Häufiger, als die Großberatungen Ihnen erzählen. Wir sagen Ihnen, wann ein Skript reicht und wann ein Agent Sinn macht.
Position
Großagenturen können diesen Text nicht schreiben.
Weil sie Stundenbudgets verkaufen müssen. Wir nicht. Wir sagen Ihnen lieber ehrlich, dass ein 30-Zeilen-Skript Ihr Problem löst, als Ihnen einen LLM-Workflow mit Vector-DB und Retrieval-Pipeline zu verkaufen, der das Gleiche tut. Nur teurer, langsamer und schwerer zu warten.
Diese Seite ist unsere Anti-Snake-Oil-Checkliste. Vier Szenarien, in denen KI bei Ihnen wirklich Quatsch ist. Drei, in denen sie sich rechnet, und ein klarer Test, mit dem Sie selbst entscheiden können. Ohne uns.
Teil 1 · Wann es Quatsch ist
Szenarien, in denen Sie kein LLM brauchen
Die meisten „KI-Projekte“, die uns in der Beratung begegnen, sind eigentlich Automatisierungs-Projekte, Such-Projekte oder Klassifikations-Projekte. Alle drei lösen wir seit Jahrzehnten ohne LLM. Schneller, billiger, deterministisch.
Wo LLM-Einsatz aktuell überschätzt wird
In Pitches und Vorstandsrunden hört man oft, ein Sprachmodell sei die Lösung für Suche, Datenaufbereitung oder Compliance. In der Realität entstehen so teure Tickets, in denen ein LLM Aufgaben erledigt, die ein SQL-Statement, ein Regex oder ein klassisches Klassifikations-Modell zuverlässiger und um Größenordnungen günstiger lösen würden. Wir trennen in der Beratung konsequent zwischen Software-Problem und Sprachmodell-Problem.
Was die folgenden vier Fälle gemeinsam haben
Alle vier Szenarien auf dieser Seite eint dasselbe Muster: Das Problem ist deterministisch, die Datenmenge ist klein bis mittel, die Anforderung an Genauigkeit ist hoch und Halluzinationen würden direkten geschäftlichen Schaden anrichten. In genau dieser Konstellation ist ein LLM nicht das beste, sondern das schlechteste Werkzeug, egal wie groß das Modell ist und wie aktuell das Trainings-Datum.
Wie Sie selbst prüfen, ob KI bei Ihnen Quatsch ist
Ein paar Fragen reichen für eine ehrliche Vorab-Bewertung: Lässt sich das gewünschte Ergebnis als Regel, Formel oder Datenbankabfrage formulieren? Wäre eine Halluzination juristisch oder finanziell heikel? Existiert bereits eine etablierte, deterministische Lösung am Markt? Wenn Sie zweimal mit Ja antworten, sollten Sie das Budget nicht in ein LLM stecken, sondern in saubere Automatisierung. Genau dafür sind die folgenden Kapitel da.
1. Datenextraktion aus strukturierten Dokumenten
Ihre PDFs sind Tabellen. Tabellen brauchen kein GPT.
Wenn die Eingabe ein PDF mit immer denselben Feldern ist (Rechnungsnummer, Lieferdatum, Positionen), ist ein OCR-Parser mit regulären Ausdrücken oder einer kleinen Template-Library um Größenordnungen schneller, deterministisch und deutlich günstiger als ein LLM-Call. Ein LLM, das halluzinieren kann, ist genau das falsche Werkzeug, um Rechnungsbeträge auszulesen.
Faustregel: Wenn Sie das Ergebnis später gegen feste Regeln validieren müssen (Zahl ≥ 0, Datum im Format X, Nummer in Whitelist), war von Anfang an kein LLM nötig.
2. „Chatbot für interne Doku“
Wenn niemand die Doku liest, hilft auch kein RAG.
Ein RAG-Chatbot über Ihr Confluence rettet kein kaputtes Wissensmanagement. Wenn die Doku veraltet, widersprüchlich oder unauffindbar ist, gibt der Bot diese Schwäche nur in Self-Confidence-Wording wieder und führt Ihre Mitarbeiter zu falschen Antworten, die jetzt zusätzlich autoritativ klingen.
Bessere Reihenfolge: erst Doku-Struktur aufräumen (Notion / Outline / GitBook), dann eine gute Suche aufsetzen (Algolia, Meilisearch, Typesense), und erst wenn die Suche unter 1 % „nichts gefunden“ steht, anfangen, über semantische Erweiterung nachzudenken. Reihenfolge umgedreht: verbrannte Lizenzkosten.
3. „KI-Berater für unsere Kunden“
Beratung ohne Haftung verkaufen Sie nicht.
Wenn Ihr Geschäft auf Beratung beruht, deren Ergebnis Ihr Kunde rechtlich oder finanziell trägt (Steuer, Recht, Medizin, Versicherung, Engineering), dann ist ein generativer Bot der teuerste Weg, Ihre Haftung auszuhebeln. Was als „24/7-KI-Assistent“ gepitcht wird, wird im Schadensfall zu „Ihre Software hat falsch geraten, jetzt sind wir dran“.
Sinnvoll: KI als Recherche-Vorbereitung für Ihre Berater, mit klarem Mensch-im-Loop und Source-Citation. Nicht sinnvoll: KI als Kundenkontakt-Layer ohne Review.
4. „Content-Erstellung skalieren“
Mehr Content löst kein Sichtbarkeits-Problem.
Wenn Ihr SEO-Problem schlechte Inhalte sind, generieren Sie mit KI nur mehr schlechte Inhalte. Google rankt Sie seit den 2024er-Helpful-Content-Updates aktiv ab. Bei klassischem Mittelstand sehen wir regelmäßig: lieber zehn ehrlich gute, fachlich tiefe Artikel als 200 KI-generierte Themen-Bingo-Texte.
KI hilft bei Strukturierung, beim Lektorat, beim Brainstorming. Sie ersetzt keine fachliche Tiefe, die nur aus Ihrem Team kommen kann. Wenn Sie keine Zeit für Content haben, fehlt Ihnen nicht die KI. Es fehlt Ihnen Priorisierung.
Teil 2 · Wann es sich rechnet
Szenarien, in denen sich ein Agent lohnt
Wir sind nicht gegen KI. Wir sind gegen Snake-Oil-KI. Hier die Fälle, in denen wir selbst LLM-Integration und Agenten-Workflows einsetzen, weil sie sich nachweisbar rechnen.
Wann ein Agent echten Hebel erzeugt
Ein LLM-Agent rechnet sich dort, wo unstrukturierter Input auf wiederkehrende Entscheidungen trifft: Mails klassifizieren, Tickets vorqualifizieren, Dokumente zusammenfassen, Recherchen vorstrukturieren. Sobald Volumen, Sprachvielfalt und Kontext zu groß für klassische Regeln werden, übernimmt ein gut instrumentierter Agent. Genau hier sehen die drei folgenden Kapitel den klaren wirtschaftlichen Hebel, inklusive messbarer Zeitersparnis pro Vorgang.
Was die drei sinnvollen Fälle verbindet
Die folgenden drei Szenarien teilen ein gemeinsames Muster: viel Sprache, viel Kontext, viel Wiederholung, und Fehler kosten Zeit, aber keine Existenzen. In genau dieser Konstellation darf ein LLM auch mal danebenliegen, weil ein Mensch ohnehin den letzten Klick macht. Aus dieser Kombination entsteht ein produktives Mensch-Modell-Tandem, in dem die KI die ersten 80 Prozent erledigt und der Mensch die kritischen 20 Prozent verantwortet.
Wie wir den Business-Case rechnen
Vor jeder Agenten-Implementierung rechnen wir den konkreten Stundenaufwand pro Vorgang, das Volumen pro Monat und den Token-Preis des passenden Modells gegeneinander. Erst wenn die Einsparung den Betrieb, die Wartung und die Halluzinations-Reserve übersteigt, lohnt sich ein Agent. Diese Rechnung zeigen wir Ihnen transparent, und sie führt regelmäßig dazu, dass wir Ihnen von einem KI-Projekt abraten, auch wenn Ihr Budget bereits freigegeben war.
1. Unstrukturierter Input, strukturierter Output
Kunden-E-Mails in Tickets übersetzen.
Wenn der Input frei formulierter Text ist (E-Mail, Sprachnotiz, Chat) und der Output ein strukturiertes JSON für Ihr System sein muss (Ticket-Kategorie, Priorität, betroffenes Produkt), ist das genau das Brot-und-Butter-Geschäft eines LLM. Mit Schema-Validierung und Confidence-Schwelle. Mensch-im-Loop für die unklaren Fälle.
Ziel: Der Großteil der Mails fließt automatisch ins richtige Ticket-Format, der Rest wird zur Prüfung markiert. Das entlastet das Team spürbar, ohne Snake-Oil.
2. Wissens-Recherche durch Ihre Experten
Vorrecherche statt Entscheidung.
Wenn fachlich tiefer Output erwartet wird (Gutachten, Argumentation, Code-Review), ist ein Agent als Vorrecherche-Tool für Ihre Experten extrem wertvoll: Materialsichtung, Quellen-Sammlung, Erst-Strukturierung. Die Entscheidung trifft weiter der Mensch, aber er kommt schneller zur Entscheidung.
Wichtig: Source-Citation muss von Anfang an Pflicht sein, nicht „nice-to-have“. Ohne nachprüfbare Quellen liefern Sie Ihrem Team nur ein selbstbewusstes Bauchgefühl.
3. Volumenarbeit mit Toleranz für Fehler
Wenn 5 % Fehlerquote okay sind.
Produktbeschreibungs-Varianten, Übersetzungs-Vorschläge, A/B-Test-Titel. Alles Aufgaben, bei denen ein menschlicher Final-Review schnell geht und kleine Fehler keine Katastrophe sind. Hier ist KI ein produktiver Verstärker, weil das Volumen sonst nie bewältigt werden würde.
Anti-Muster: dieselbe Logik auf rechtlich bindende Texte (AGB, Datenschutz, Vertragsklauseln) anwenden. Da müssen wir bei 0 % Fehlerquote landen und dann sind wir wieder bei „Mensch schreibt, KI lektoriert“.
Selbsttest
Fragen, bevor Sie KI einkaufen.
Eins: Was würden Sie als Praktikant mit Python und einem Wochenende erreichen? Zwei: Was würde ein gut konfiguriertes klassisches System (Suche, Regelwerk, Workflow-Engine) lösen? Drei: Was bleibt übrig, nachdem Sie Antworten Eins und Zwei abgezogen haben?
Das, was nach Frage Drei übrig bleibt, ist Ihr echtes KI-Projekt. Häufig ist da nichts mehr, und das ist die ehrlichste Erkenntnis, die wir Ihnen in einer Beratung mitgeben können.
Häufige Fragen
Fragen dazu, wann KI bei Ihnen Quatsch ist
Wann ist der Einsatz von KI für mein Projekt wirklich sinnvoll?
Wie erkenne ich, ob KI bei meinem Anwendungsfall Quatsch ist?
Warum sollen manche Aufgaben lieber ohne KI gelöst werden?
Wann reicht ein einfaches Skript statt einer KI-Lösung aus?
Wie unterscheiden Sie zwischen Software- und KI-Problemen?
Können KI-Modelle bei kleinen Datenmengen zuverlässig arbeiten?
Bieten Sie auch Beratung an, um zu entscheiden, ob KI sinnvoll ist?
60-Minuten-Audit: KI oder keine KI bei Ihnen.
Sie schicken uns Ihre drei wichtigsten KI-Ideen, wir gehen sie mit Ihnen durch. Fix-Preis, schriftliches Ergebnis. Oft ist die Antwort: kein LLM, sondern ein einfaches Skript oder ein klassisches System. Das spart Ihnen oft einen sechsstelligen Beratungs-Auftrag.