
KI-Automatisierung: so wenig KI wie möglich einsetzen
Was ist KI-Automatisierung? Vorteile, Beispiele, geeignete Aufgaben und die wichtigsten Schritte, mit so wenig KI wie möglich in der Produktion.
Sie möchten wiederkehrende Aufgaben mit künstlicher Intelligenz automatisieren? Bei der KI-Automatisierung lautet die eigentliche Frage nicht nur, was die KI kann, sondern was sie wirklich tun sollte.
Denn ja, mit KI lassen sich Automatisierungen heute schneller entwerfen. In der Produktion bleibt die beste Strategie aber oft die einfachste:
KI nur dort einsetzen, wo es ohne sie keine verlässliche Lösung gibt.
Dieser Artikel beantwortet eine sehr konkrete Frage: Wie automatisiert man mit KI, ohne das eigene System fragiler, teurer und schwerer wartbar zu machen?
Wenn Sie nur eines mitnehmen...
Wenn sich eine Aufgabe festschreiben, regeln und testen lässt, sollte sie eher klassisch automatisiert werden.
Wenn eine Aufgabe verlangt, Kontext zu verstehen, umzuformulieren, zu personalisieren oder unscharfe Informationen zu strukturieren, dann wird KI sinnvoll.
Anders gesagt:
- klassischer Code übernimmt das Vorhersehbare;
- KI übernimmt das Unvorhersehbare;
- der Mensch behält die Kontrolle dort, wo Fehler teuer werden.
Die eigentliche Falle: überall KI einsetzen wollen
Seit ChatGPT und andere KI-Assistenten aufgetaucht sind, hat sich in vielen Unternehmen ein Reflex eingestellt:
„Mit KI muss sich das doch automatisieren lassen.“
Der Reflex ist verständlich. Die Demos sind verblüffend, die Anwendungen vervielfachen sich, und die Vorteile künstlicher Intelligenz für die Automatisierung im Unternehmen liegen auf der Hand.
Doch es gibt eine häufige Verzerrung: Man geht von der KI-Lösung aus, bevor das fachliche Problem abgegrenzt ist.
Die richtige Frage lautet also nicht:
„Wie bringen wir KI in diesen Prozess?“
Die richtige Frage lautet:
„Welcher Teil dieses Prozesses braucht wirklich KI?“
Und oft lautet die Antwort: nur ein kleiner Teil.
Ja, KI verändert die Spielregeln... vor allem beim schnelleren Bauen
Zu sagen, dass man in der Produktion so wenig KI wie möglich einsetzen sollte, heißt nicht, ihre Wirkung kleinzureden.
Im Gegenteil: KI hat die Art, Automatisierungen zu entwickeln, bereits verändert. In einem kontrollierten Experiment, das Sida Peng und seine Mitautoren 2023 veröffentlichten, programmierten Entwickler mit Unterstützung von GitHub Copilot einen HTTP-Server 55,8 % schneller als die Kontrollgruppe.
Wo man früher:
- alles von Hand programmieren musste;
- oder manchmal fragile No-Code-Szenarien in Make, n8n oder Zapier zusammensteckte;
- oder ganz verzichtete, weil das Projekt zu teuer erschien;
lassen sich heute schneller Systeme bauen, die:
- robust sind;
- wartbar sind;
- im Betrieb günstiger sind;
- und sich damit in Fällen rechnen, in denen das früher nicht so war.
Kurz gesagt: KI ist großartig als Beschleuniger beim Entwurf.
Viel weniger interessant ist sie, wenn man ihr bei jeder Ausführung Vorgänge überlässt, die sich deterministisch erledigen ließen.
Klassische Automatisierung oder KI: zwei Arten, die man unterscheiden muss
Für eine gute Entscheidung muss man zwei Logiken trennen.
1. Deterministische Automatisierung (per Skript / Workflow)
Eine Eingabe ergibt immer dieselbe Ausgabe.
Das ist die Welt der Regeln, Vorlagen, Berechnungen, Mappings, Skripte und klar abgegrenzten Workflows.
In der Praxis sollte man sie wann immer möglich bevorzugen, aus drei Gründen:
- Verlässlichkeit: Das Verhalten ist vorhersehbar.
- Sparsamkeit: Die Ausführungskosten bleiben gering, während ein Modellaufruf bei jeder Ausführung Energie verbraucht. Google beziffert eine mittlere Textanfrage an Gemini auf 0,24 Wh: wenig pro Anfrage, aber wiederholt für jedes verarbeitete Dokument.
- Geschwindigkeit: Unnötige Prüfungen entfallen.
2. Probabilistische Automatisierung (per KI)
Selbst bei derselben Anweisung kann das Ergebnis leicht variieren. Bei Thinking Machines erhielt Horace He 80 verschiedene Antworten auf 1.000 identische Anfragen an das Modell Qwen3-235B, obwohl es auf Temperatur null eingestellt war. Das heißt nicht, dass dieser Ansatz schlecht ist. Es heißt, dass man ihn dort einsetzen sollte, wo die Variabilität nützlich ist, nicht dort, wo sie zum Risiko wird.
In der Regel ist KI sinnvoll, wenn es darum geht:
- einen reichhaltigen Kontext zu verstehen;
- unterschiedliche Dokumente zu analysieren (PDFs, Scans, Anhänge usw.), um eine Information zu finden, die in verschiedenen Formen vorliegt;
- unstrukturierte Inhalte zusammenzufassen;
- einen personalisierten Text zu verfassen;
- mehrdeutige Informationen zu klassifizieren oder umzuformulieren;
- Rohdaten in eine verwertbare Struktur zu überführen.
Die Faustregel
Ist eine Aufgabe wiederkehrend, stabil und klar definiert, lohnt sich zuerst ein Versuch ohne KI.
Hängt eine Aufgabe vom Kontext, von der Sprache, von Nuancen oder von schlecht strukturierten Daten ab, kann KI echten Mehrwert bringen.
KI ist nicht dazu da, Regeln zu ersetzen. Sie ist dazu da, das zu bewältigen, was Regeln allein nicht gut erfassen.
Ein konkretes Beispiel: Bestellscheine automatisieren
Nehmen wir einen leicht verständlichen Fall: das Erstellen von Bestellscheinen.
Ausgangspunkt ist eine Word-Vorlage für das fertige Dokument und Daten, die hineingehören. Manchmal liegen diese Daten bereits in einer Excel-Datei vor. In anderen Fällen sind sie über E-Mails, Besprechungsprotokolle oder verschiedene Dateien verstreut.
Fall 1: wenn die Eingabe nicht sauber ist
Bevor das Dokument überhaupt erzeugt wird, muss manchmal erst die Eingabe hergestellt werden.
Die Informationen stecken vielleicht in:
- einem geschäftlichen E-Mail-Austausch;
- einem Abstimmungstermin;
- spontan gemachten Notizen;
- einem PDF, das der Kunde geschickt hat.
In dieser Phase ist KI sehr nützlich.
Sie kann diese Quellen lesen, die richtigen Informationen extrahieren und dann einen Excel-Entwurf oder eine gleichwertige Struktur erzeugen. Diese Ausgabe wird anschließend von einem Menschen geprüft, bevor der Rest des Prozesses startet.
Hier dient die KI also dazu, Ordnung ins Ungefähre zu bringen.
Fall 2: Was sich festschreiben lässt, sollte festgeschrieben werden
Sind die Daten erst einmal geprüft, ändert sich die Logik.
Felder wie:
{{KUNDENNUMMER}}{{BESTELLDATUM}}{{ANZAHL_ARTIKEL}}{{GESAMTBETRAG}}
brauchen keinerlei künstliche Intelligenz.
Ein Skript kann das Dokument verlässlich, sofort und reproduzierbar ausfüllen. Genau hier sollte man vermeiden, ein Modell zu bemühen.
Und das betrifft nicht nur einfache Felder. Auch ganze Textblöcke lassen sich deterministisch steuern.
Zum Beispiel:
- sitzt der Kunde in Frankreich, bleibt die Rechtsklausel A;
- sitzt der Kunde außerhalb der EU, wird die Exportklausel B eingefügt;
- überschreitet der Betrag eine bestimmte Schwelle, kommt der Absatz zur internen Freigabe hinzu;
- ist das Produkt ein Abonnement, bleiben die Verlängerungsbedingungen erhalten;
- andernfalls bleibt eine einfachere Version des Dokuments.
Anders gesagt: Selbst die Wahl eines Absatzes, einer Klausel oder eines ganzen Abschnitts lässt sich oft über sehr klare Geschäftsregeln steuern, ganz ohne KI.
Fall 3: wo KI wirklich nützlich wird
Stellen wir uns nun vor, Ihre Vertriebsmitarbeiter verlieren Zeit damit, für jeden Kunden von Hand eine kurze, persönliche Einleitung zu schreiben.
Es geht nicht darum, ein Feld auszufüllen, sondern einen Text wie diesen zu verfassen:
„Sehr geehrte/r [Name des Kunden], wir freuen uns, Sie seit [Datum der ersten Bestellung] zu begleiten. Ihre Treue bedeutet uns viel, und wir hoffen, dass diese neue Lieferung [Produktart] Ihren Erwartungen für [laufendes Projekt] entspricht.“
Hier gilt es, den richtigen Ton, die Geschichte der Kundenbeziehung, die Produktart, den geschäftlichen Kontext und das laufende Projekt des Kunden zu berücksichtigen. Und Informationen in den Fließtext einzubauen.
In diesem Fall kann die KI auf Basis eines gut strukturierten Kontexts einen ersten Entwurf vorbereiten.
Der Nutzer liest ihn, korrigiert ihn, gibt ihm seine persönliche Note und gibt ihn frei.
Der Workflow im Überblick
Loading diagram…
Das Schema fasst den Weg eines Dokuments zusammen: Die Rohquellen (E-Mails, Besprechungsaudio, PDFs) durchlaufen eine KI-Extraktion, die eine strukturierte Datei erzeugt, die ein Mensch prüft, bevor irgendetwas produziert wird. Danach teilt sich der Ablauf in zwei Zweige, die deterministische Automatisierung für alles, was im Voraus geregelt ist, und die kontextbezogene KI nur für die Passagen, die Urteilsvermögen erfordern, bevor das Word-Dokument zusammengesetzt wird.
Warum nicht alles Ihrer Lieblings-KI überlassen?
Auf dem Papier ist das Versprechen verlockend: „Ich gebe die Vorlage und die Daten, und die KI erzeugt das ganze Dokument.“
Doch ein generatives Modell neigt dazu, auch das zu verändern, was es nicht anfassen sollte: das Layout, Nummern, bestimmte Bezeichnungen oder heikle Formulierungen. Schon wenige kleine Fehler machen die Zeitersparnis zunichte.
Und vor allem kann sich ein Prompt, der heute funktioniert, morgen anders verhalten. Lingjiao Chen, Matei Zaharia und James Zou haben gemessen, dass GPT-4 Primzahlen im März 2023 mit 84 % Genauigkeit erkannte und im Juni mit 51 %, von einer Version desselben Modells zur nächsten. Eine gute Automatisierung beruht daher selten auf einem einzigen großen Prompt, sondern auf einer klaren Architektur, in der die KI einen genau umrissenen Platz hat.
Die erste Frage ist nicht technisch: Es geht um den ROI
Bevor man über Tool, Workflow oder Prompt spricht, muss man die tatsächlich verlorene Zeit des Teams messen. Ohne eine ernsthafte Schätzung des gebundenen Personalaufwands lässt sich kaum sagen, ob sich die Automatisierung lohnt.
Die richtigen Fragen lauten:
- Wie viele Stunden verbringt das Team mit dieser Aufgabe?
- Wie oft fällt sie an?
- Was kostet die Automatisierung insgesamt?
- Wie hoch werden die Wartungskosten in 6, 12 und 24 Monaten sein?
- Sind die Kosten eines Fehlers gering oder hoch?
Ein paar einfache Richtwerte:
- Wird das Projekt extern vergeben, ist mindestens Faktor 2 ein vernünftiges Minimum.
- Wird es intern umgesetzt, sollte man besser mindestens Faktor 4 anpeilen, weil der Gewinn oft weniger direkt und diffuser ist.
- In jedem Fall gehört die Wartung in die Rechnung. Sie ist oft der am meisten unterschätzte Teil: Schon 2015 wies der Artikel „Hidden Technical Debt in Machine Learning Systems“ auf massive Wartungskosten in realen Machine-Learning-Systemen hin.
Wer diesen Punkt übersieht, finanziert womöglich eine hübsche Demo statt eines echten, dauerhaften Gewinns.
Das Wichtigste in Kürze
Bei der KI-Automatisierung geht es nicht um die Menge an KI.
Es geht um die Platzierung.
Je besser es gelingt:
- festzuschreiben, was sich festschreiben lässt;
- KI für das wirklich Kontextabhängige zu reservieren;
- und eine gezielte menschliche Kontrolle zu behalten;
desto größer sind die Chancen, dass die Automatisierung auf Dauer nützlich bleibt.
Der Bezug zu ATG
Bei Ask This Guy vertreten wir mit ATG genau diesen Ansatz: Agenten und Tools nutzen, um KI intelligent an Ihre Daten und Systeme anzubinden, ohne Ihren gesamten Prozess in eine probabilistische Blackbox zu verwandeln.
Weiterführend:
- KI-Agenten im Unternehmen: Use Cases und reale Kosten
- ATG anpassen
- Maßgeschneiderte Tools erstellen
- Daten und Prozesse maßgeschneidert verarbeiten
- Agenten konfigurieren
- Tools und MCP anbinden
Buchen Sie eine Demo, wenn Sie in Ihren Prozessen herausfinden möchten, was deterministisch bleiben sollte und was wirklich KI verdient.


