Regeln, Prognosemodelle oder generative KI? Ein Leitfaden zur Auswahl

Ein Rahmen, der bei der Entscheidung ansetzt – nicht bei der Technologie

Die Auswahl einer Lösung für künstliche Intelligenz beginnt mit der Frage, welche Entscheidung oder Aufgabe verbessert werden soll. Entscheidend ist nicht, welche Technologie gerade angesagt ist, sondern welches Ergebnis der Prozess benötigt, welche Daten verfügbar sind, welche Folgen ein Fehler hätte und welche Mittel für Entwicklung und Betrieb bereitstehen. In vielen Fällen ist eine klare Regel oder ein verbesserter manueller Prozess geeigneter als ein Modell des maschinellen Lernens.

Dieser Leitfaden bietet eine praktische Methode, um drei Lösungsfamilien zu vergleichen: deterministische Regeln, Prognosemodelle und generative Systeme. Er ist weder eine regulatorische Einordnung noch eine durch Vergleichsstudien validierte Skala. Vielmehr handelt es sich um eine Arbeitsvorlage, die jede Organisation an ihre Daten, Einschränkungen und Pflichten anpassen und erproben sollte. Die später vorgestellten Szenarien aus Finanzwesen, Logistik und Personalwesen sind hypothetische Beispiele, die die Anwendung des Rahmens veranschaulichen sollen. Sie sind weder als reale Fallstudien noch als Wirksamkeitsnachweis zu verstehen.

Aufgabe und Daten einordnen, bevor Sie wählen

Eine strukturierte Aufgabe lässt sich durch definierte Felder, Kategorien oder Bedingungen beschreiben. Beispiele sind die Prüfung, ob eine Rechnung einen genehmigten Betrag überschreitet, oder ob ein Paket eine Gewichtsbeschränkung verletzt. Ist die Logik stabil und bekannt, können Regeln Nachvollziehbarkeit und Kontrolle bieten, ohne dass ein Modell trainiert werden muss.

Bei einer unstrukturierten Aufgabe müssen häufig Freitext, Bilder, Audio oder andere Signale interpretiert werden, deren Vielfalt sich nicht mit einer kleinen Liste von Bedingungen abdecken lässt. Beispiele sind die Klassifizierung einer schriftlichen Beschwerde oder die Zusammenfassung eines Gesprächs. Die Unterscheidung ist nicht absolut: Eine Organisation kann Teile unstrukturierter Inhalte in Felder überführen und Regeln mit Modellen kombinieren. Das Datenformat allein bestimmt nicht die passende Technologie. Ebenso wichtig sind Qualität, Umfang, Variabilität, die Möglichkeit, Beispiele zu kennzeichnen, und die Kosten eines Fehlers.

Entscheidungsbaum: ungeeignete Optionen aussortieren

Ein Entscheidungsbaum bildet aufeinanderfolgende Fragen und mögliche Ergebnisse ab. Jeder Knoten stellt eine Bedingung dar; jeder Zweig führt zur nächsten Frage oder zu einer endgültigen Option. Entscheidungsbäume sind auch eine Familie von Prognosemodellen. In diesem Leitfaden verwenden wir den Begriff jedoch für ein organisatorisches Prüfschema – nicht für einen trainierten Algorithmus. Die Struktur hilft, die Gründe für eine Auswahl offenzulegen, garantiert aber weder richtige Antworten noch, dass alle Folgen berücksichtigt wurden.

Beginnen Sie mit der Frage, ob sich der Prozess durch stabile Bedingungen beschreiben lässt. Falls ja, prüfen Sie zunächst deterministische Regeln. Falls nicht, klären Sie, ob das Ziel darin besteht, eine Kategorie zuzuweisen, eine Wahrscheinlichkeit oder einen Wert zu schätzen oder neue Inhalte zu erzeugen. Die Klassifizierung oder Vorhersage anhand historischer Beispiele kann einen Versuch mit einem Prognosemodell rechtfertigen. Für das Verfassen, Zusammenfassen oder Umwandeln von Inhalten kann ein generatives System infrage kommen – stets mit klaren Grenzen und einer Prüfung der Ergebnisse. Auch eine Kombination ist möglich: Ein Modell macht einen Vorschlag, während Regeln einschränken, was zulässig ist.

Orientierende Bewertung: Optionen ordnen, ohne Scheingenauigkeit

Eine Bewertungsmatrix kann beim Vergleich mehrerer plausibler Optionen helfen. Bewerten Sie jede Option anhand von fünf Kriterien auf einer Skala von 1 bis 5: Eignung für die Aufgabe, Passung zu den Daten, Risiko und Kontrollen, wirtschaftliche Tragfähigkeit sowie betriebliche Umsetzbarkeit. Eine hohe Punktzahl sollte stets eine günstigere Situation bedeuten: etwa eine bessere Eignung, besser vorbereitete Daten, ein wirksamer kontrolliertes Restrisiko und nachhaltigere Kosten. Beim Kriterium Risiko bewerten Sie die nachgewiesene Fähigkeit, Risiken zu begrenzen – nicht deren Schwere an sich.

Die geprüften Quellen liefern keine validierte Gewichtung, die Datenart, regulatorisches Risiko und Budget verbindet, um zwischen Regeln, Prognosemodellen und generativer KI zu wählen. Die folgenden Gewichte sind daher ausdrücklich vorläufige Ausgangswerte. Das Budget sollte die günstigste Option nicht automatisch belohnen: Berücksichtigen Sie die Gesamtbetriebskosten, einschließlich Integration, Tests, Lizenzen oder Rechenaufwand, Aufsicht, Audit, Aktualisierungen, Sicherheit und Ausstieg aus einem Anbieter. Wiederholen Sie den Vergleich vor der Entscheidung mit unterschiedlichen Gewichtungen und prüfen Sie, ob sich das Ergebnis ändert.

Risiko: Auswirkungen und Exposition bewerten, nicht nur eine Zahl

Ein einziger Risikowert kann wichtige Unterschiede zwischen Sicherheit, Datenschutz, Diskriminierung, Zuverlässigkeit, Compliance und betrieblicher Kontinuität verdecken. Führen Sie daher am besten ein nach Dimensionen gegliedertes Register: Welcher Schaden wird betrachtet, wer könnte betroffen sein, wie häufig könnte er eintreten, wie schwer wären die Folgen, welche Kontrollen gibt es und wer überprüft sie? Qualitative Skalen können helfen, eine Diskussion zu priorisieren, sollten aber nicht als offizielle regulatorische Messgröße dargestellt werden.

In der Europäischen Union hängt die rechtliche Einstufung vom vorgesehenen Einsatz und davon ab, ob das System die einschlägigen Kategorien und Bedingungen erfüllt. Sie lässt sich nicht einfach daraus ableiten, dass ein Vorhaben für das Unternehmen als „hohes“, „mittleres“ oder „niedriges“ Risiko gilt. Die Europäische Kommission hat einen Entwurf für Leitlinien veröffentlicht, der dabei helfen soll, zu beurteilen, ob bestimmte Systeme als Hochrisiko-KI einzustufen sind. Da es sich um einen Entwurf handelt, darf er weder als endgültige Leitlinie noch als Ersatz für die geltende Verordnung beschrieben werden. Die Fundación Cotec wiederum beschreibt einen praxisorientierten Governance-Ansatz, der Anwendungsfälle und Rollen identifiziert, Risiken untersucht und Kontrollen über den gesamten Lebenszyklus integriert.

Budget und Gesamtkosten: mit Blick auf den Betrieb entscheiden

Das Budget zu gewichten bedeutet nicht, der günstigsten Option automatisch einen Vorteil zu geben. Legen Sie zunächst einen für alle Optionen einheitlichen Bewertungszeitraum fest – etwa den Budgetzeitraum der Organisation – und schätzen Sie die einmaligen und laufenden Kosten: Datenaufbereitung, Integration, Tests, Rechenleistung, Lizenzen, menschliche Prüfung, Überwachung, Sicherheit, Schulung und Wartung. Berücksichtigen Sie auch Ausstiegs-, Ersatz- oder Rückabwicklungskosten, falls ein Anbieter seine Bedingungen ändert oder die Lösung nicht mehr geeignet ist.

Vergleichen Sie diese Kosten mit einem vorab festgelegten Nutzen, etwa kürzerer Bearbeitungszeit, weniger Fehlern oder einer besseren Abdeckung der Aufgabe. Gehen Sie nicht davon aus, dass Automatisierung netto Einsparungen schafft: Wird eine häufige manuelle Kontrolle benötigt, können Kosten lediglich verlagert statt beseitigt werden. Beginnen Sie mit einem begrenzten Pilotprojekt und legen Sie Erfolgskriterien sowie Abbruchbedingungen fest. Ist das Budget begrenzt, testen Sie erst eine einfachere Lösung, statt Kontrollen zu reduzieren, die Menschen oder den Betrieb schützen.

Drei Szenarien zur Anwendung des Rahmens

Die folgenden Szenarien sind Beispiele. Sie dokumentieren weder reale Implementierungen noch gemessene Ergebnisse. Sie zeigen, wie sich die Bewertung je nach Aufgabe, Daten, Auswirkungen und Aufsichtsmöglichkeiten verändert. In keiner Branche bestimmt die Branchenbezeichnung allein die regulatorische Kategorie. Entscheidend sind der vorgesehene Zweck, der Kontext und die konkrete Konfiguration.

Jedes Beispiel nennt eine plausible erste Option, eine mögliche Alternative zum Testen und relevante Kontrollen. Die endgültige Auswahl hängt von den verfügbaren Daten und lokalen Tests ab. In einem Pilotversuch sollte die vorgeschlagene Lösung mit einer Ausgangsbasis verglichen werden. Zu bewerten sind nicht nur die durchschnittliche Genauigkeit, sondern auch relevante Fehler, Kosten, Auswirkungen auf Menschen und die Leistung unter anderen Bedingungen als denen, die bei der Entwicklung verwendet wurden.

Validierung, Aufsicht und klare Abbruchregeln

Legen Sie vor dem Einsatz fest, woran der Erfolg der Lösung zu erkennen ist. Die Evaluation sollte Daten verwenden, die nicht zum Anpassen des Systems genutzt wurden und den vorgesehenen Einsatz angemessen abbilden. Bei Klassifizierungen sollten Fehlerarten und relevante Segmente dokumentiert werden; bei Prognosen sind die Ergebnisse mit einer Baseline zu vergleichen und Fehler im Betrieb zu messen. Bei generativen Systemen sollten Genauigkeit, Auslassungen, Kohärenz, Datenschutz und unzulässige Antworten geprüft werden. Die Kennzahl muss zu den möglichen Fehlerfolgen passen – nicht nur leicht messbar sein.

Bestimmen Sie, wer die Ausgaben prüft, welche Entscheidungen das System treffen darf, wann es sich enthalten muss und wie Fehler korrigiert werden. Dokumentieren Sie Versionen, Änderungen, Vorfälle, Genehmigungen und Aktualisierungsgründe. Legen Sie Abbruchbedingungen fest: etwa eine Verschlechterung über einen vereinbarten Grenzwert hinaus, Sicherheitsvorfälle, nicht behobene Unterschiede bei den Ergebnissen oder die Unfähigkeit, eine wirksame Prüfung sicherzustellen. Die institutionelle Anleitung der Fundación Cotec empfiehlt, Governance über den gesamten Lebenszyklus zu integrieren sowie Rollen und ein Systeminventar festzuhalten. Der Entwurf der Leitlinien der Europäischen Kommission unterstützt das Verständnis der Einstufung als Hochrisiko-KI, validiert aber nicht diese Bewertungsmatrix.

Fazit: Eine nachvollziehbare Entscheidung ist besser als eine verlockende Punktzahl

Der Prüfbaum hilft, Aufgaben in Regeln, Prognosen und Generierung einzuordnen. Die Matrix macht Zielkonflikte zwischen Daten, Eignung, Risiko, Kosten und betrieblicher Leistungsfähigkeit sichtbar. Keines der beiden Instrumente bestimmt automatisch die richtige Lösung. Bewertungen sind nur dann hilfreich, wenn sie begründet, anhand alternativer Annahmen geprüft und bei veränderten Rahmenbedingungen aktualisiert werden.

Praktisch empfiehlt es sich, mit einer konkreten Aufgabe zu beginnen, zunächst Regeln und einfache Baselines zu prüfen und Modelle nur dann zu testen, wenn ein klarer Bedarf und geeignete Daten vorliegen. Bei Aufgaben mit erheblichen Auswirkungen muss die Aufsicht die Entscheidung tatsächlich beeinflussen und darf nicht bloß ein formaler Schritt sein. Die verfügbaren Quellen stützen den allgemeinen Nutzen von Entscheidungsbäumen, die Bedeutung von Governance und die Relevanz einer Einstufung nach dem konkreten Einsatz. Sie belegen jedoch weder die Wirksamkeit dieser Vorlage noch universelle Gewichtungen. Die endgültige Entscheidung sollte auf lokalen Tests und, wo erforderlich, einer rechtlichen Prüfung beruhen.

Weiter entdecken

Korrekturen und Transparenz

Wenn du falsche oder veraltete Angaben findest, sende uns die Seite und die zu prüfende Quelle.