Regeln, Vorhersagemodelle oder generative KI? Ein Leitfaden zur ersten Einordnung

Beginnen Sie mit dem Problem, nicht mit der Technologie

Eine komplexe Aufgabe erfordert nicht automatisch ein Sprachmodell. Beschreiben Sie zunächst die Arbeit als konkrete Entscheidung: Welche Informationen gehen ein, welches Ergebnis wird benötigt, wer prüft es und was geschieht, wenn es falsch ist? Erst dann ist es sinnvoll, Regeln, Vorhersagemodelle, generative KI oder den Verzicht auf Automatisierung miteinander zu vergleichen.

Dieser Leitfaden bietet einen Rahmen für die erste Einordnung. Er behauptet nicht, dass eine Technik grundsätzlich besser ist als eine andere. Die vorliegende Evidenz beschreibt Entscheidungsbäume als Algorithmen für Klassifikation und Regression, vergleicht jedoch weder LLMs direkt mit Vorhersagemodellen und Regeln noch legt sie rechtliche Schwellenwerte oder Stückkosten fest. Die folgenden Ansätze sind daher Gestaltungsempfehlungen, die jedes Unternehmen anhand seiner Daten, Abläufe und geltenden Pflichten prüfen muss.

Kriterium 1: Datenform und gewünschtes Ergebnis bestimmen

Unterscheiden Sie das Eingabeformat von der Art der Aufgabe. Tabellen, Transaktionsdatensätze und numerische Variablen ermöglichen oft präzise Fragen zu bekannten Feldern: zählen, filtern, berechnen oder eine Kategorie vorhersagen. Prüfen Sie vor dem Einsatz eines Modells, ob eine SQL-Abfrage, eine Schema-Validierung oder eine Regel die Entscheidung bereits ausreichend abbildet.

Freitext, Bilder und andere unstrukturierte Inhalte können eine Extraktion, semantische Klassifikation oder das Erstellen von Entwürfen erfordern. Das bedeutet nicht, dass jeder Schritt mit einem LLM gelöst werden muss: Eine Kombination aus Extraktion, Regelprüfungen und menschlicher Kontrolle kann sinnvoll sein. Ein Entscheidungsbaum im technischen Sinn ist ein Algorithmus, der Bedingungen zur Klassifikation oder Schätzung von Werten lernt. Er ist nicht mit einem Entscheidungsdiagramm zu verwechseln, das ein Team zur Auswahl einer Architektur zeichnet.

Kriterium 2: Was bedeutet ein Fehler?

Der durchschnittliche Genauigkeitswert reicht nicht aus. Legen Sie fest, welche Fehler relevant sind: eine rechtmäßige Transaktion abzulehnen, einen Hinweis zu übersehen, eine Antwort zu erfinden oder sensible Daten offenzulegen. Schätzen Sie die finanziellen, betrieblichen und reputationsbezogenen Folgen sowie die Auswirkungen auf betroffene Personen ein. Bestimmen Sie anschließend, welche Fehler eine Prüfung, Rücknahme oder Eskalation auslösen müssen.

Wenn ein Ergebnis Zahlungen, Ablehnungen, Entscheidungen über Personen oder schwer rückgängig zu machende Maßnahmen auslöst, sollten Sie die Autonomie begrenzen, bis geeignete Kontrollen nachgewiesen sind. Nachvollziehbarkeit bedeutet außerdem nicht, dass ein Modell interpretierbar ist: Protokollieren Sie zulässige Eingaben, Systemversion, Ergebnis, Prüfungen und menschliche Eingriffe. Die vorliegende Dokumentation erlaubt keine Aussage darüber, welche konkreten Pflichten des AI Act für einen bestimmten Anwendungsfall gelten oder ob ein Gesetz stets deterministische Regeln oder ein erklärbares Modell verlangt. Dafür müssen Nutzung, Markt, Zeitpunkt und Systemkonfiguration geprüft werden.

Kriterium 3: Die Gesamtkosten des Systems berechnen

Ein sinnvoller Kostenvergleich umfasst mehr als den Preis der Inferenz. Berücksichtigen Sie Integration, Datenbereinigung und -pflege, Tests, Überwachung, menschliche Prüfung, Fehlerbehebung, Sicherheit, Anbieterwechsel und Opportunitätskosten. Regeln können bei einem stabilen Prozess kostengünstig sein, aber bei immer mehr Ausnahmen schwer zu warten werden. Ein Modell kann repetitive Arbeit reduzieren, verursacht jedoch zusätzlichen Aufwand für Bewertung, Betrieb und Kontrollen; die Kosten hängen von der konkreten Umsetzung und Nutzung ab.

Um die Kosten eines generativen Modells zu schätzen, erheben Sie den aktuellen Preis, die durchschnittliche Zahl der Ein- und Ausgabetokens, die Aufrufe pro Aufgabe, Wiederholungen und Tool-Aufrufe. Bei Regeln sollten Sie Entwicklungs- und Wartungsstunden, Vorfälle und Betriebszeit erfassen. Die vorliegenden Quellen enthalten weder verifizierbare Modelltarife noch vergleichbare Wartungskosten. Daher lässt sich hier nicht berechnen, was eine Million Transaktionen pro Monat tatsächlich kosten würde.

Entscheidungsmatrix: vier mögliche Ansätze

Die vier Ansätze sind operative Kategorien, keine Reifestufen und keine Aufforderung, KI einzusetzen. „Deterministisch“ bedeutet, dass eine explizite Logik das Ergebnis erzeugt; „prädiktiv“, dass ein Modell anhand von Beispielen eine Klasse oder einen Wert schätzt; „generativ, mit Unterstützung“, dass ein Mensch das Ergebnis vor der Verwendung prüft; „generativ, autonom“, dass eine Handlung ohne fallweise Freigabe ausgeführt werden darf. Je größer die Auswirkungen eines Fehlers und je schwieriger seine Behebung, desto wichtiger sind Schutzmaßnahmen und Aufsicht.

Entscheidungsbäume veranschaulichen eine Familie von Vorhersagemodellen: Sie lernen Bedingungen, um Klassen einzuordnen oder Werte zu schätzen, und können bei geeigneten Daten und Aufgaben infrage kommen. Sie sind nicht mit von Hand formulierten Regeln gleichzusetzen, auch wenn beide Entscheidungen in Form von Bedingungen darstellen können. Die Wahl sollte auf einer Bewertung mit repräsentativen Daten und den betrieblichen Anforderungen beruhen – nicht auf dem Namen der Technik.

Beispiele aus unterschiedlichen Bereichen

Im Finanzbetrieb sollte eine Vertragsgebühr oder ein Grenzwert, sofern er eindeutig festgelegt ist, zunächst mit expliziter Logik berechnet werden; für Ausnahmen bleibt ein eigener Weg. Geht es darum, Fälle anhand historischer Muster zu priorisieren, sollte ein Vorhersagemodell mit einer einfachen Ausgangslösung verglichen werden. Erfordert der Fall das Verständnis einer Freitextnachricht, kann generative KI beim Zusammenfassen helfen. Die Entscheidung über eine Zahlung oder Ablehnung kann dennoch separat und kontrolliert erfolgen.

Im Kundendienst sind das Abrufen einer freigegebenen Antwort und das Erstellen eines Entwurfs zwei unterschiedliche Aufgaben. Ein unterstützter generativer Workflow kann anhand zugelassener Materialien einen Text vorschlagen. Die zuständige Person prüft, ob er die Frage beantwortet und keine unbelegten Informationen ergänzt. Eine autonome Antwort sollte nur für einen begrenzten Satz von Anfragen erwogen werden, nachdem Qualitätstests, Zugriffsbeschränkungen und klare Eskalationswege eingerichtet wurden.

In der industriellen Instandhaltung kann ein physikalischer Grenzwert oder eine Sicherheitsbedingung als Alarmregel umgesetzt werden. Die Einschätzung, welche Anlage gewartet werden muss, kann prädiktiv sein, wenn aussagekräftige historische Daten vorliegen. Beobachtungen von Technikern lassen sich möglicherweise mit generativer KI zusammenfassen, wobei eine Person bei betrieblichen Risiken den Eingriff bestätigt. Werden diese Funktionen getrennt, ersetzt eine sprachliche Ausgabe nicht ohne triftigen Grund wichtige Kontrollen.

Volumen und Budget: Skalierung ist kein Eignungsnachweis

Ein hohes Volumen macht es wichtiger, die Kosten pro korrektem Ergebnis zu messen, macht ein LLM aber nicht automatisch zur besten Wahl. Besteht jeder Datensatz aus strukturierten Feldern und ist die erforderliche Operation eindeutig, verarbeiten Sie die Informationen zuerst mit Abfragen oder Regeln. Muss anhand von Mustern verallgemeinert werden und gibt es genügend gekennzeichnete Daten, prüfen Sie eine prädiktive Ausgangslösung. Generative Verarbeitung sollte dort eingesetzt werden, wo Inhalte tatsächlich interpretiert oder erstellt werden müssen.

Bei geringem Volumen kann eine komplexe Automatisierung teurer sein als die eingesparte Arbeitszeit; eine einfache Assistenz oder ein dokumentierter manueller Prozess kann sinnvoller sein. Bei hohem Volumen sollten Sie sowohl die Grenzkosten als auch den Umgang mit Ausnahmen schätzen. Die endgültige Entscheidung erfordert Tests unter repräsentativen Bedingungen, einschließlich Auslastungsspitzen, seltenen Eingaben, Verteilungsänderungen und der Zeit für die menschliche Prüfung.

Häufige Fehler und wie Sie sie vermeiden

Ein LLM für Summen, Filter oder Abfragen klar strukturierter Felder zu verwenden, führt häufig zu unnötiger Komplexität. Umgekehrt kann der Einsatz von Regeln für eine Aufgabe mit wechselnden Signalen einen schwer wartbaren Flickenteppich aus Ausnahmen schaffen. Gehen Sie nicht davon aus, dass eine flüssig formulierte Modellausgabe korrekt ist oder ein Vorhersagemodell fair und stabil, nur weil sein allgemeiner Kennwert hoch ist.

Ein weiterer Fehler ist, ein Diagramm zur Strukturierung von Optionen mit einem anhand von Daten trainierten Entscheidungsbaum zu verwechseln. Riskant ist auch, ein System als „autonom“ zu bezeichnen, nur weil es einen API-Aufruf ausführt. Entscheidend ist, ob es ohne Prüfung Folgen auslösen kann, wie weit seine Berechtigungen reichen und ob die Handlung rückgängig gemacht werden kann. Definieren Sie diese Grenzen vor der Einführung.

Praktische Kriterien für den Abschluss der ersten Einordnung

Bevor Sie eine Investition genehmigen, halten Sie schriftlich fest: Aufgabe, verfügbare Eingaben, gewünschte Ausgabe, tolerierbare Fehler, Kontrollen und geschätzte Gesamtkosten. Vergleichen Sie mindestens eine einfache Alternative. Einen leistungsfähigeren Ansatz sollten Sie nur dann prüfen, wenn die Art des Problems ihn rechtfertigt. Legen Sie fest, wer die Ergebnisse prüft, wer das System betreut und welcher Kennwert eine Pause oder Neubewertung auslöst.

Die verfügbare Dokumentation stützt lediglich allgemeine Aussagen über Entscheidungsbäume und ihren Einsatz für Klassifikation oder Regression. Sie enthält weder vergleichende Nachweise zur Effizienz traditioneller Modelle gegenüber LLMs bei strukturierten Daten noch eine fallbezogene Auslegung des AI Act oder Preise für die Berechnung von einer Million Transaktionen. Diese Fragen müssen offenbleiben, bis spezifische Primärbelege vorliegen.

Weiter entdecken

Korrekturen und Transparenz

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