Künstliche Intelligenz: Einordnung und realistische Einsatzfelder im Mittelstand

Künstliche Intelligenz ist ein Sammelbegriff für Verfahren, die Aufgaben bearbeiten, für die sich keine vollständigen Regeln formulieren lassen. Statt einem programmierten Ablauf zu folgen, leiten diese Systeme statistische Zusammenhänge aus Daten ab. Das erklärt sowohl ihre Stärken bei unscharfen Aufgaben als auch ihre Schwächen bei Aufgaben, die exakte Korrektheit verlangen.

Begriffliche Einordnung

Unter dem Begriff werden sehr unterschiedliche Techniken zusammengefasst. Klassisches maschinelles Lernen wird seit langem für Prognosen, Klassifikation und Anomalieerkennung eingesetzt, etwa bei der Betrugserkennung oder der Bedarfsplanung. Neuronale Netze haben Bild- und Spracherkennung praktikabel gemacht. Generative Modelle, darunter Sprachmodelle, erzeugen Texte, Code oder Bilder auf Basis von Wahrscheinlichkeiten für Fortsetzungen.

Wichtig für die Einordnung: Keines dieser Systeme versteht Inhalte im menschlichen Sinne oder verfügt über ein geprüftes Weltwissen. Sie berechnen, welche Ausgabe zu den Trainingsdaten und zur Eingabe statistisch passt. Diese Unterscheidung ist keine begriffliche Spitzfindigkeit, sondern erklärt unmittelbar, warum die Ergebnisse überzeugend klingen können und trotzdem falsch sind.

Wo der Einsatz im Mittelstand tragfähig ist

Sinnvoll sind Anwendungsfälle, bei denen ein Mensch das Ergebnis ohnehin prüft oder bei denen ein Fehler geringe Folgen hat.

• Entwürfe für Texte, Angebote oder Dokumentationen, die anschließend redigiert werden
• Zusammenfassungen längerer Dokumente als Einstieg in eine inhaltliche Prüfung
• Strukturierte Extraktion von Daten aus Belegen oder Formularen mit anschließender Kontrolle
• Übersetzungen als Vorstufe zur fachlichen Abnahme
• Suche in eigenen Wissensbeständen, wenn die Quelle mitgeliefert wird
• Klassifikation eingehender Anfragen zur Verteilung an die richtige Abteilung

Weniger tragfähig sind vollautomatisierte Entscheidungen mit rechtlicher oder finanzieller Wirkung, verbindliche Auskünfte gegenüber Kunden ohne Kontrolle sowie alles, was exakte Berechnungen erfordert. Für Rechenoperationen sind konventionelle Programme zuverlässiger.

Grenzen und Risiken, die vorab zu klären sind

Sprachmodelle erzeugen mit gewisser Regelmäßigkeit Aussagen, die plausibel formuliert, aber sachlich falsch sind. Dieses Verhalten wird als Halluzination oder Konfabulation bezeichnet. Es lässt sich durch gute Systemgestaltung reduzieren, aber nicht ausschließen, und es ist besonders tückisch, weil die falsche Antwort im Tonfall nicht von der richtigen abweicht. Eine eingebaute Faktenprüfung existiert nicht.

Hinzu kommt der Datenschutz. Werden personenbezogene Daten an einen KI-Dienst übermittelt, ist das eine Verarbeitung im Sinne der Datenschutz-Grundverordnung. Zu klären sind Rechtsgrundlage, Auftragsverarbeitung, Speicherorte und die Frage, ob Eingaben zum Training weiterverwendet werden. Ebenso relevant sind Geschäftsgeheimnisse: Vertragsentwürfe, Kalkulationen oder Quellcode gehören nur in Dienste, deren Bedingungen dafür geeignet sind. Schließlich hängt die Qualität stark von den zugrundeliegenden Daten ab; unvollständige oder veraltete Bestände führen zu entsprechend unzuverlässigen Ergebnissen.

Typische Fehler bei der Einführung

In der Praxis scheitern KI-Vorhaben selten an der Modellqualität, häufiger an der Herangehensweise.

• Der Einstieg über die Technik statt über ein konkretes, benennbares Problem
• Fehlende Definition, woran der Erfolg gemessen wird
• Kein geregelter Umgang mit Fehlern, obwohl Fehler systembedingt auftreten
• Unkontrollierte Nutzung privater Konten für Firmendaten, weil interne Regeln fehlen
• Die Erwartung, Personalaufwand sofort und vollständig einzusparen
• Verzicht auf Schulung, sodass Ergebnisse ungeprüft übernommen werden

Ein pragmatisches Vorgehen

Sinnvoll ist ein enger, gut messbarer Anwendungsfall mit überschaubarem Risiko. Dazu gehören eine schriftliche Nutzungsrichtlinie, die klärt, welche Daten in welche Dienste gelangen dürfen, sowie eine benannte Verantwortlichkeit. Der Nutzen zeigt sich meist in Zeitersparnis bei wiederkehrenden Textaufgaben und in schnellerem Zugriff auf vorhandenes Wissen, nicht in einem vollständigen Ersatz fachlicher Arbeit. Wer so vorgeht, kann den Beitrag realistisch bewerten, bevor größere Investitionen anstehen.

• KI-Systeme leiten Muster aus Daten ab; sie prüfen keine Fakten und garantieren keine Korrektheit.
• Tragfähig sind Anwendungsfälle mit menschlicher Kontrolle und begrenzter Fehlerwirkung.
• Personenbezogene Daten und Geschäftsgeheimnisse erfordern eine vorherige rechtliche und vertragliche Klärung.
• Ohne definierte Erfolgskriterien lässt sich der Nutzen eines Vorhabens nicht bewerten.
• Eine verbindliche interne Nutzungsrichtlinie verhindert unkontrollierten Einsatz über private Konten.