Wo KI wirklich ihren Platz in der technischen Infrastruktur hat

Beschäftigt dich die Frage, wo künstliche Intelligenz (KI) ihren tatsächlichen Platz in der technischen Infrastruktur eines Unternehmens hat. Wenn du in irgendeiner Form Verantwortung dafür trägst, Entscheidungen rund um KI-Einsatz, Automatisierung, digitale Transformation oder gar eine unternehmensweite KI-Strategie zu treffen, dann lege ich dir dringend ans Herz, diese Perspektiven aufmerksam zu verfolgen.

Ein klarer Blick auf den realen Nutzen von KI ist heute wichtiger denn je.

Der Hype um KI wird der Realität nicht gerecht

Es gibt wenige Technologien, die in den letzten Jahren einen vergleichbaren Hype ausgelöst haben wie die künstliche Intelligenz.

Das Narrativ klingt verführerisch: KI kann alles, weiss alles, erledigt alles und wir Menschen können uns entspannt zurücklehnen, während „die Maschine das schon macht“.

Doch das ist natürlich weit von der Realität entfernt.

Die Wahrheit ist: KI ist ein Werkzeug. Ein sehr mächtiges Werkzeug, aber kein Allheilmittel und schon gar kein Ersatz für die fundamentalen Bausteine moderner Softwarearchitektur, Datenqualität und strategischer Planung.

Damit KI für dich wirklich nützlich wird, musst du verstehen, wo genau sie im technischen Ökosystem hingehört und wo nicht.

KI ist ein Tool und kein Wundermittel für die Digitale Transformation

KI revolutioniert heute Prozesse und ganze Geschäftsmodelle. Viele Branchen stehen Kopf, weil Algorithmen plötzlich Dinge leisten, die früher als unmöglich galten.

Doch daraus abzuleiten, dass KI die Antwort auf alle Herausforderungen der digitalen Transformation sei, wäre ein fataler Fehler.

Denn die digitale Transformation ist ein vielschichtiges Zusammenspiel aus:

Infrastruktur
Softwarearchitektur
Prozessen
Datenmanagement
Unternehmenskultur
Mindset

KI ist ein Baustein. Ein wichtiger, aber eben nur einer.

Klassische Software-Architektur für die strukturierte Erfassung

Für alles, was klar strukturiert, zuverlässig und nachprüfbar sein muss, ist klassische Softwarearchitektur weiterhin der effizienteste und sicherste Weg.

Dazu zählen:

Stammdatenverwaltung
Buchhaltung
Logistikprozesse
Bestell- und Auftragsmanagement
Behördenprozesse
Regulatorische Dokumentationen
und vieles mehr

Diese Bereiche profitieren nur begrenzt von KI.

Sie verlangen nach:

klaren Regeln
deterministischen Abläufe
stabilen Prozesse
hoher Zuverlässigkeit

Und für all das eignet sich klassische Software deutlich besser als KI.

KI ist ein Baustein in der Systemwelt

Um KI optimal einsetzen zu können, müssen wir verstehen, welche Art von KI für welche Aufgabe geeignet ist. Viele Missverständnisse rund um KI entstehen, weil fälschlicherweise angenommen wird, KI sei ein universelles Werkzeug.

Das ist sie nicht.

Es gibt verschiedene Ausprägungen, und jede davon erfüllt einen bestimmten Zweck.

KI für die Analyse von Daten basierend auf Machine Learning

Seit wir digitale Systeme nutzen, sammeln wir Unmengen an Daten, oft ohne klare Struktur oder Strategie. Und diese Daten sind ein Schatz, der häufig nicht gehoben wird.

Machine-Learning-basierte KI hilft uns dabei:

grosse Datenmengen zu analysieren
Muster zu erkennen
Anomalien aufzuspüren
Datensätze zu kategorisieren

Ein klassisches Beispiel:

Die KI lernt anhand tausender Bilder, wie Tumore aussehen, und kann dann neue Bilder zuverlässig einordnen.

Doch auch hier gilt: Die Datenqualität bestimmt die KI-Qualität.

KI hilft uns, grosse Datenmengen zu bewältigen

Die schiere Menge an Daten übersteigt längst das, was Menschen überblicken können. KI ist hier unsere einzige realistische Chance.

Doch auch eine hervorragende KI ist nicht fehlerfrei.

Der EU AI Act verlangt den Menschen im Loop

Die europäische Regulierung ist eindeutig:

Bei kritischen Entscheidungen muss ein menschlicher Entscheider involviert sein.

Warum?

Weil KI:

Fehler macht
falsche Annahmen trifft
Bias enthält
nicht erklären kann, warum sie etwas entschieden hat

Deshalb braucht es einen Menschen im Loop.

Generative AI

Während Machine Learning Daten analysiert, geht Generative AI einen Schritt weiter. Sie generiert Neues.

Generierte Texte, Bilder, Videos, Audios, Prognosen, Simulationen basieren alle auf statistischen Wahrscheinlichkeiten.

Generative AI generiert den statistisch logischen nächsten Schritt

Auf Basis der Trainingsdaten sagt Generative AI voraus, was wahrscheinlich als Nächstes kommen könnte.

Das kann in vielen Bereichen extrem wertvoll sein:

Zukunftsmodelle
Simulationen
Strategische Planung
Risikoabschätzung
Content-Erstellung

Das Spiel mit den Vorhersagen

KI kann für Vorhersagen und Simulationen genutzt werden.

Beispiele:

Aktienkurs-Prognosen
Wettermodelle
Simulation von biologischen Systemen
Fortschritt eines Tumors in 3D

Damit wird KI in bestimmten Bereichen präziser, als es Menschen jemals sein könnten.

Doch sind solche Vorhersagen mit Vorsicht zu geniessen.

Prozesse sind chaotisch und Vorhersagen mit Vorsicht zu geniessen

Die Realität ist chaotisch, nicht linear und manchmal völlig unvorhersehbar.

Ein plötzlicher „Black Swan“ wie etwa eine virale Nachricht kann Märkte innerhalb von Stunden auf den Kopf stellen.

Und darauf ist keine KI vorbereitet.

KI ist nur so präzise wie ihre Trainingsdaten

Das ist der entscheidende Punkt.

KI arbeitet immer mit der Vergangenheit.

Sie kann die Zukunft nur anhand dessen schätzen, was sie bereits kennt.

Auch wir Menschen können die Zukunft nicht vorhersagen. Wir extrapolieren nur, was wir aufgrund der Vergangenheit zu wissen glauben.

LLM-Systeme nutzen Text als Trainingsdaten

LLMs (Large Language Models) wie ChatGPT oder Gemini basieren auf Textdaten und statistischen Wahrscheinlichkeiten.

Sie erzeugen Texte, die so wirken, als seien sie intelligent.

Das bedeutet jedoch nicht, dass sie es wirklich sind und viele Menschen überschätzen die Zuverlässigkeit von LLMs aktuell sehr stark.

ChatGPT & Co überschätzen sich massiv

Der grösste Fehler, den Menschen im Umgang mit KI machen, ist, dass sie ihr blind glauben.

LLMs antworten selbstbewusst, selbst wenn sie komplett falsch liegen.

Deshalb müssen wir besonders im Unternehmensumfeld kritisch bleiben.

Unzuverlässige Antworten und die Notwendigkeit einer menschlichen Kontrollinstanz

Textbasierte KI ist nicht deterministisch.

Gleicher Input führt nicht zu gleichem Output.

Deshalb sind autonome Systeme, die auf Text-KI basieren, problematisch und regulatorisch riskant.

Die Komplexität von KI-generierten Texten lässt keine einfachen Case-Unterscheidungen zu

In klassischen Systemen kann man mit if/else klare Fälle abbilden.

Doch mit KI-generierten Texten geht das nicht. Sprache ist zu vielseitig, zu komplex, zu kontextabhängig.

Ein Beispiel aus der Praxis:

Wir entwickelten ein System zur automatischen Generierung von Inseraten.

Doch allein die Anforderung „keine rassistischen Aussagen“ zuzulassen führt zu unzähligen Abgrenzungsproblemen.

KI prüft KI – die Energieverbrennungsanlage

Die Idee im KI Umfeld als Alternative zur klassischen Fallunterscheidung:

Eine KI überprüft die Antworten einer anderen KI.

Das Problem:

Jedes Glied in der Kette verbraucht Energie und Zeit.

Je mehr KIs involviert sind, desto stärker explodieren

Kosten
Energieverbrauch
Latenz
Fehlerrisiken

Bei grossen Anfragen wird das schnell unvertretbar.

Der Einsatz von KI verlangt nach einer genauen Abgrenzung des Use Case

Hier liegt der Schlüssel.

KI funktioniert nur dann zuverlässig, wenn der Use Case:

klar formuliert
eng abgegrenzt
realistisch gestaltet ist

Je unschärfer der Use Case, desto schlechter das Resultat.

KI-Agenten – ein kritischer Blick

KI-Agenten werden aktuell als „nächster grosser Wurf“ verkauft.

Doch werden sie sich wirklich durchsetzen?

Fehlerrisiken der KI-Modelle potenzieren sich im Kontext einer Koppelung von mehreren KIs und verringern sich nicht!

KI-Agenten koppeln KI-Systeme

Der Output eines Systems wird zum Input des nächsten Systems. Das klingt futuristisch, führt aber in der Praxis schnell zu absurden Fehlerketten.

Beispiel-Use-Case:

„Ich habe ein Meeting in Istanbul.“

Der Agent soll nun:

Kalender aktualisieren
Flug buchen
Hotel reservieren
Zahlungen veranlassen
Reiseablauf planen

Doch: Würdest du das blind einer KI überlassen?

Sicher nicht.

Fortpflanzung von Fehlern führt unweigerlich zu Unsinn

Mit jedem zusätzlichen KI-System steigt die Fehlerwahrscheinlichkeit exponentiell.

Es ist Wunschdenken, dass Agenten solche Abläufe zuverlässig steuern könnten.

Der Use Case muss den Einsatz von KI-Agenten rechtfertigen

Agenten funktionieren nur dort, wo:

Risiken gering
Entscheidungen klar
Daten präzise
Prozesse stabil sind

In kritischen Unternehmenssystemen sind sie ungeeignet.

Ausnahmefälle und Fehler – die Achillesferse der KI

Die meisten Systeme scheitern nicht am Standardfall, sondern am Ausnahmefall.

Ausnahmefälle sind das, was KI am schlechtesten beherrscht.

Agentic AI

Agentic AI, also KI, die andere KI koordiniert, ist der neueste Trend im Hype-Zyklus.

Doch es ist aus meiner Sicht ein theoretisches Konzept, das über Prototypen kaum hinauskommen wird.

OpenAI und andere versuchen gerade ein Modell und ein ganzes Ökosystem wie WeChat, das in China im Einsatz ist auch für den Westen nachzubauen.

Agentic AI wird kein Ersatz für das SaaS-Business-Modell sein

Einige Tech-Manager behaupten, Agentic AI werde SaaS ersetzen.

Ich halte das für realitätsfern.

Auch in einer KI-getriebenen Zukunft werden wir klar strukturierte SaaS-Systeme benötigen, weil Unternehmen stabile, verlässliche Software brauchen.

KI-Integration in Systemen

Kommen wir nun zur praktischen Perspektive.

Wie wird KI sinnvoll in Systeme integriert?

Nicht, indem du deinen Mitarbeitenden ChatGPT-Accounts gibst.

Sondern indem du KI programmtechnisch, zielgerichtet und Use-Case-spezifisch über APIs einbindest.

Ein KI-System wird für einen spezifischen Use Case als Service genutzt

Das ist das entscheidende Architekturprinzip:

KI wird als Service und nicht als universelles Werkzeug integriert.

Beispiel:

Ein Button in einer Applikation sendet eine API-Anfrage an DALL·E, das generierte Bild wird zurückgeliefert und angezeigt.

Simpel.

Effizient.

Kontrollierbar.

Erster Ansatz: Anfrage an grosse KIs – der Generalist

Du greifst über ein API auf grosse Modelle wie ChatGPT, Claude oder Gemini zu.

Vorteile:

breites Wissen
grosse Flexibilität
hohe Sprach- und Bildqualität

Nachteile:

potenzielle Datenschutzrisiken
Abhängigkeit vom Anbieter
unkontrollierbare Datenquellen

Zweiter Ansatz: Anfrage an eine eigene, spezialisierte KI – der Spezialist

Du trainierst ein eigenes Modell intern mit deinen Unternehmensdaten.

Vorteile:

höhere Kontrolle
weniger Noise
bessere Spezialisierung
geringerer Energieverbrauch
mehr Präzision

Für viele Unternehmen ist dies langfristig der strategischere Weg.

Grosses Potenzial in kleineren KI-Systemen

Während grosse LLMs beeindruckend sind, liegt das wahre Potenzial für Unternehmen oft in kleineren, hochspezialisierten Modellen.

Denn diese Modelle:

liefern stabilere Ergebnisse
sind energiesparender
enthalten weniger Bias
sind besser kontrollierbar

KI ist ein Service und ihre Potenz entsteht durch Vielfalt

KI ist am Ende ein Service in der Solution Architecture.

Was sie mächtig macht, ist nicht ihre Allmacht, sondern ihre Vielseitigkeit.

Sie optimiert an vielen kleinen Stellen und das summiert sich.

KI macht veraltete Workarounds überflüssig

Viele Workarounds, die wir früher brauchten, um Systeme zu verbinden oder Daten nutzbar zu machen, werden durch KI obsolet.

Mit KI können Systeme smarter interagieren, ohne starre Regeln oder Workarounds.

Fokus auf die Optimierung alter Systeme ist nicht zielführend

Wer versucht, KI in alte Prozesse einzubauen, verfehlt die Chancen.

Der richtige Ansatz lautet nicht: Wie können wir KI in bestehende Prozesse integrieren?

Sondern: Wie können wir Prozesse basierend auf den Möglichkeiten von KI neu denken?

Fokus auf eine moderne Herangehensweise an Probleme

Es geht nicht darum, alte Probleme mit neuen Tools zu lösen.

Sondern darum, die richtigen Fragen zu stellen:

Was sind unsere echten Probleme?
Welche Aufgaben müssen wir wirklich lösen?
Was ist Ballast?
Was ist notwendig?

Immer mit dem Gedanken:

„Wie können wir das mit KI effizienter machen?“

Problem → Use Cases → System Solution Design

Sobald die Probleme klar sind, identifizierst du:

Use Cases, die diese Probleme lösen
Systemanforderungen, die sich aus den Use Cases ergeben
Solution Design, das genau darauf ausgelegt ist

KI ist dabei nur ein kleiner, aber ein strategisch wichtiger Teil.

Fazit: KI ist weniger eine technische als eine strategische Herausforderung

Die Frage, wo KI in der Systemlandschaft ihren Platz hat, ist nur die Spitze des Eisbergs.

Die eigentliche Herausforderung besteht darin, das richtige Mindset zu entwickeln:

präzise Problemdefinition
sauberer Use Case
realistisches Erwartungsmanagement
Integration statt Überfrachtung
Strategie statt Hype

Wenn du diese Grundlagen verinnerlichst, hast du eine solide Basis, um echte Innovation voranzutreiben.

Wenn du Unterstützung brauchst zu Strategie, Architektur oder Implementierung, buche gerne einen Termin.

Vielen Dank für deine Zeit und viel Erfolg bei deinen KI-Projekten!