KI-Heilsversprechen, KI-Bashing – und warum beide Lager falsch liegen

Auf LinkedIn gibt es im Moment nur zwei Sorten von KI-Beiträgen.

Die einen: KI löst alles, ersetzt alle, in zwei Jahren programmiert niemand mehr selbst. Die anderen: KI ist Hype, KI kann nichts, jeder ernstzunehmende Entwickler lacht darüber. Beide Lager posten mit der gleichen Überzeugung. Beide haben unrecht.

Die ehrlichere Antwort liegt nicht in der Mitte, weil Mitte irgendwie diplomatisch klingt – sie liegt in der Mitte, weil die Frage "KI ja oder nein" die falsche Frage ist. Die richtige Frage ist: welche Art von Aufgabe liegt vor mir?

Die Achse, die in der Debatte fehlt

Jede Aufgabe lässt sich grob auf einer Achse einordnen:

Auf der einen Seite stehen klare, deterministische Prozesse. Wenn A, dann B. Eingabe X führt verlässlich zu Ausgabe Y. Diese Prozesse lassen sich mit klassischer Software – einer Regel, einem Workflow, einem simplen if/else – exakt, schnell und günstig abbilden.

Auf der anderen Seite stehen Aufgaben, bei denen die Eingabe unstrukturiert, mehrdeutig oder zu groß für eine Person ist: Tausende Support-Tickets, Freitext-Feedback, eine Codebasis ohne Dokumentation, eine Vertragslandschaft mit hundert Varianten. Hier gibt es kein klares Richtig oder Falsch, sondern Abwägungen, Muster, Wahrscheinlichkeiten.

KI ist für die zweite Kategorie gebaut. Für die erste ist sie fast immer die schlechtere, teurere und unzuverlässigere Lösung.

Wo KI keinen Sinn macht

Ein deterministischer Prozess, der mit 0 und 1 entschieden werden kann, braucht kein Modell. Er braucht eine Regel.

Wenn ich weiß, dass eine Bestellung über 1.000 Euro eine zweite Freigabe braucht, dann ist das eine Zeile Code. Sie ist in Millisekunden fertig, kostet praktisch nichts, ist zu 100 % nachvollziehbar und liefert immer dasselbe Ergebnis. Ein Sprachmodell für diese Entscheidung einzusetzen heißt: mehr Latenz, mehr Kosten, weniger Vorhersagbarkeit – für ein Problem, das vorher schon gelöst war.

Das ist der Punkt, den die KI-Euphoriker gerne überspringen. Nicht jedes Problem ist ein KI-Problem, nur weil KI gerade verfügbar ist. Eine Lösung, die teurer und unsicherer ist als die bestehende, ist keine Verbesserung – sie ist Aufwand für die Optik.

Wo KI tatsächlich stark ist

Genau umgekehrt sieht es aus, wenn die Datenlage groß, unstrukturiert und nicht in feste Regeln zu pressen ist.

Wenn ich aus tausenden Kundenrückmeldungen ein Muster herausarbeiten will, das mir kein starres Reporting zeigt. Wenn ich eine Empfehlung brauche, die mehrere weiche Faktoren gegeneinander abwägt – Tonfall, Kontext, Vorgeschichte. Wenn ich eine große Codebasis verstehen will, ohne jede Zeile selbst zu lesen. Genau das sind Aufgaben, bei denen ein Regelwerk entweder unmöglich zu pflegen wäre oder gar nicht existieren kann, weil die Variationen zu groß sind.

Hier liefert KI etwas, was klassische Software prinzipiell nicht kann: eine belastbare Einschätzung aus Unschärfe, in vertretbarer Zeit, auf einer Datenmenge, die kein Mensch in vernünftiger Zeit durchgehen würde. Das ist kein Hype – das ist ein echter Fähigkeitssprung, nur eben für eine andere Art von Problem als das, was die Skeptiker im Kopf haben, wenn sie "KI" sagen.

Die Faustregel

Bevor KI in einem Prozess landet, lohnt sich eine einfache Frage: Lässt sich die Entscheidung heute schon eindeutig und vollständig in Regeln fassen?

• Ja, eindeutig 0/1 → KI ist die falsche, weil unnötig teure und unsicherere Lösung.
• Nein, es braucht Abwägung über unstrukturierte oder zu große Datenmengen → KI ist genau dafür gemacht.

Das klingt banal, aber die Praxis zeigt: Die meisten gescheiterten KI-Projekte scheitern nicht an der Technologie, sondern daran, dass sie an der falschen Stelle der Achse eingesetzt wurde. Entweder, weil man ein deterministisches Problem mit einem teuren Modell gelöst hat – oder weil man ein echtes Abwägungsproblem mit starren Regeln zwingen wollte und sich wunderte, warum das System ständig an Edge Cases zerbricht.

Fazit

Das ständige Lagerdenken – "KI rettet alles" gegen "KI kann nichts" – ist bequem, weil es keine Differenzierung verlangt. Aber genau diese Differenzierung ist der Job. Wer KI sinnvoll einsetzen will, muss nicht an sie glauben oder sie ablehnen. Er muss verstehen, wo auf der Achse zwischen starrer Regel und unstrukturierter Abwägung sein Problem liegt – und die Antwort danach wählen, nicht nach Trend oder Gegen-Trend.