KI oder klassische Softwarelogik: Wo Modelle keinen Sinn ergeben

Nicht jeder automatisierbare Prozess braucht ein KI-Modell. Wenn Eingaben klar strukturiert sind, Regeln eindeutig formuliert werden können und das Ergebnis reproduzierbar sein muss, ist klassische Softwarelogik oft die bessere Wahl. KI kann dort sinnvoll sein, wo Informationen mehrdeutig, unstrukturiert oder schwer vollständig in Regeln abzubilden sind. Für Geschäftsführung, Produktverantwortliche und technische Leitung liegt die Entscheidung deshalb nicht zwischen „modern“ und „veraltet“, sondern zwischen unterschiedlichen Arten von Unsicherheit und Kontrolle. Entscheidend ist, welche Fehler akzeptabel sind, wie ein Ergebnis geprüft werden kann und ob sich die Entscheidung als feste Regel beschreiben lässt. Häufig führt auch kein Entweder-oder zum Ziel: Regeln begrenzen den Prozess, während KI einen klar abgegrenzten Schritt übernimmt.

Kurz gesagt

Verwenden Sie klassische Softwarelogik, wenn Eingaben, Regeln und gewünschte Ergebnisse eindeutig beschreibbar sind. Ein KI-Modell ist eher dann sinnvoll, wenn Informationen unstrukturiert oder mehrdeutig sind und eine regelbasierte Lösung unverhältnismäßig viele Sonderfälle erzeugen würde. Bei risikoreichen Entscheidungen sollte KI nicht allein über die nächste Aktion bestimmen: Regeln, Prüfungen und menschliche Freigaben können den Ablauf begrenzen. Entscheidend ist nicht, ob KI eingebaut werden kann, sondern ob sie gegenüber einer einfacheren Lösung einen nachvollziehbaren Vorteil bringt.

Ausgangslage

KI wird oft dort vorgeschlagen, wo ein Prozess kompliziert wirkt. Doch Komplexität allein ist kein Grund, ein Modell einzusetzen. Ein Ablauf kann viele Schritte, Datenquellen und Benutzerrollen haben und trotzdem aus klaren, deterministischen Regeln bestehen. Umgekehrt kann ein kurzer Schritt wie das Erkennen eines Themas in einem freien Text schwer in feste Regeln zu übersetzen sein.

Klassische Softwarelogik liefert bei gleichen Eingaben und gleichen Regeln dasselbe Ergebnis. Das ist nützlich, wenn eine Entscheidung verlässlich wiederholbar, prüfbar und gegebenenfalls rücknehmbar sein muss. Ein KI-Modell erzeugt dagegen eine Ausgabe auf Basis gelernter Muster. Die Antwort kann plausibel sein, ohne in jedem Fall identisch oder korrekt zu sein. Das macht KI nicht grundsätzlich ungeeignet, aber es verändert die Anforderungen an Kontrolle und Fehlerbehandlung.

Ein häufiger Denkfehler besteht darin, die eingesparte Entwicklungsarbeit bei der ersten Version mit dem Gesamtaufwand gleichzusetzen. Ein Modell kann eine Regelstrecke zunächst verkürzen, später aber zusätzliche Arbeit für Tests, Überwachung, Freigaben und den Umgang mit unsicheren Ergebnissen erzeugen. Die passende Lösung ergibt sich aus den Eigenschaften des Prozesses, nicht aus dem Neuigkeitswert der Technologie.

Entscheidungskriterien

Prüfen Sie vor der Auswahl, welche Aufgabe automatisiert werden soll. „Daten klassifizieren“ ist noch keine ausreichende Beschreibung. Entscheidend ist, welche Daten eingehen, welche Kategorien zulässig sind, wie falsch ein Ergebnis liegen darf und was danach passiert.

Kriterium	Klassische Softwarelogik spricht dafür	KI kann sinnvoll sein, wenn
Eingaben	Felder, Werte und Formate sind strukturiert	Texte, Bilder oder Dokumente variieren stark
Regeln	Bedingungen lassen sich klar aufschreiben	Viele Ausnahmen machen feste Regeln unhandlich
Ergebnis	Es gibt eindeutige, begrenzte Ausgänge	Eine Einschätzung oder Zusammenfassung gebraucht wird
Wiederholbarkeit	Gleiche Eingaben müssen gleich entschieden werden	Eine plausible Interpretation genügt, sofern sie geprüft wird
Fehlerfolgen	Falsche Entscheidungen haben erhebliche Folgen	Fehler erkannt, begrenzt und korrigiert werden können
Nachvollziehbarkeit	Für jede Entscheidung muss ein klarer Grund vorliegen	Das Ergebnis durch Belege, Regeln oder Review abgesichert wird
Änderung	Regeln ändern sich selten und kontrolliert	Sprache und Inhalt variieren stärker als die Prozesslogik

1. Lässt sich die Entscheidung als Regel formulieren?

Wenn sich die fachliche Anforderung in Wenn-dann-Bedingungen ausdrücken lässt, sollte zunächst eine regelbasierte Lösung geprüft werden. Zum Beispiel: Ein Produkt erhält eine bestimmte Kategorie, wenn definierte Merkmale wie Typ, Motor oder Akkukapazität bestimmte Werte erfüllen. Das Ergebnis ist nachvollziehbar und kann gezielt getestet werden.

Wenn die Regel dagegen aus einer Vielzahl sprachlicher Hinweise erschlossen werden muss, kann KI bei der Interpretation helfen. Das bedeutet nicht, dass das Modell anschließend uneingeschränkt entscheiden sollte. Die zulässigen Kategorien und die nächsten Prozessschritte können weiterhin fest vorgegeben sein.

2. Wie viel Unsicherheit ist tragbar?

Unterscheiden Sie zwischen einer ungenauen Empfehlung und einer verbindlichen Aktion. Ein Entwurf, den ein Mensch prüft, kann mehr Unsicherheit vertragen als eine automatische Änderung an einem Datensatz oder eine Entscheidung mit finanziellen, rechtlichen oder betrieblichen Folgen. Je gravierender die Folge eines Fehlers ist, desto stärker müssen Eingaben, Ausgaben und Übergänge durch Regeln kontrolliert werden.

3. Gibt es einen verlässlichen Weg, Fehler zu erkennen?

Ein KI-Schritt ist leichter verantwortbar, wenn sein Ergebnis gegen klare Kriterien geprüft werden kann: etwa gegen ein Schema, zulässige Werte, eine Quellenangabe oder eine fachliche Freigabe. Gibt es keine Möglichkeit, eine falsche Ausgabe zuverlässig zu bemerken, sollte der Prozess nicht so gebaut werden, als wäre die Ausgabe sicher.

4. Was ist der Vergleichsmaßstab?

Vergleichen Sie KI nicht mit einem vollständig manuellen Ablauf, sondern auch mit einer einfachen Regel, einer Nachschlagetabelle, einer Validierung oder einer gezielten manuellen Prüfung. Wenn eine überschaubare Regel denselben Nutzen mit weniger Unsicherheit erreicht, bringt ein Modell keinen ausreichenden Vorteil. Wenn Regeln für jede neue Variante wachsen und trotzdem relevante Fälle verfehlen, ist KI als begrenzter Interpretationsschritt eine Option.

5. Wie lässt sich die Lösung im Betrieb ändern?

Feste Regeln müssen dokumentiert, getestet und bei fachlichen Änderungen angepasst werden. KI-Lösungen brauchen ebenfalls Pflege: Prompts, Modelle, Datenquellen, Ausgabeformate und Prüfverfahren können sich auf das Ergebnis auswirken. Entscheiden Sie daher nicht nur, was heute funktioniert, sondern auch, wer Änderungen freigibt und wie ihre Wirkung überprüft wird. Das Prinzip Know → Change → Prove bietet dafür ein übertragbares Vorgehen: Zustand erfassen, kontrolliert ändern und Wirkung belegen.

Drei passende Lösungsformen

A. Klassische Regeln

Wählen Sie feste Logik, wenn die relevanten Merkmale bekannt sind und fachliche Entscheidungen stabil abgebildet werden können. Typische Bausteine sind Validierungen, Zuordnungen, Grenzwerte, Berechnungen und Berechtigungsprüfungen. Regeln sind keine Einschränkung, wenn sie den Prozess präzise und prüfbar abbilden. Sie werden zum Problem, wenn Sonderfälle unübersichtlich werden oder sich fachliche Einschätzungen nicht eindeutig formalisieren lassen.

B. KI für einen abgegrenzten Interpretationsschritt

Nutzen Sie KI dort, wo sie unstrukturierte Informationen in eine bearbeitbare Form überführt: etwa indem sie ein Dokument zusammenfasst, mögliche Merkmale extrahiert oder einen Text einer vorgegebenen Kategorie zuordnet. Begrenzen Sie den Auftrag, verlangen Sie ein strukturiertes Ergebnis und prüfen Sie es vor einer folgenreichen Aktion. Der Beitrag Strukturierte Ausgaben mit KI und JSON erläutert, wie ein festes Ausgabeformat die Weiterverarbeitung kontrollierbarer macht.

C. Hybrid: KI schlägt vor, Software begrenzt

In vielen Prozessen ist eine Kombination angemessen. Das Modell liefert einen Vorschlag; klassische Logik prüft Pflichtfelder, zulässige Werte, Rechte und Grenzbedingungen. Ein Mensch übernimmt Fälle, die unsicher sind oder größere Folgen haben. So bleibt KI auf den Teil beschränkt, in dem Interpretation tatsächlich gebraucht wird. Der Gesamtprozess sollte einschließlich Ausnahmen und Freigaben getestet werden, nicht nur die Qualität einzelner Modellantworten. Dazu passt der Beitrag KI-Workflows richtig testen.

Typische Fehler

• KI einsetzen, weil der Prozess kompliziert erscheint. Erst den Ablauf zerlegen. Komplexe Systeme enthalten oft viele klare Regeln, die kein Modell benötigen.
• Eine einfache Regel durch ein Modell ersetzen. Wenn ein Grenzwert oder eine eindeutige Zuordnung genügt, fügt KI vor allem Unsicherheit hinzu.
• Plausibilität mit Richtigkeit verwechseln. Eine sprachlich überzeugende Antwort belegt nicht, dass sie fachlich stimmt.
• Den Prüfpunkt vergessen. Wenn ein Ergebnis ungeprüft direkt eine folgenreiche Aktion auslöst, ist die Fehlerbehandlung Teil des Problems, nicht ein späteres Detail.
• Alle Ausnahmen in einen Prompt schreiben. Wenn die Ausnahmen klare fachliche Regeln sind, gehören sie oft in die Prozesslogik. Ein Prompt ist kein Ersatz für ein nachvollziehbares Datenmodell.
• Nur die Modellantwort testen. Auch Übergaben, Wiederholungen, fehlende Daten, Freigaben und Rücknahmen beeinflussen, ob der Workflow sicher funktioniert.
• Wartung aus der Entscheidung ausklammern. Eine Lösung muss auch dann verständlich und anpassbar bleiben, wenn Zuständigkeiten, Daten oder fachliche Regeln wechseln.

Praxisbeispiel

Beim Projekt eisenross importiert ein eigenes PHP/MySQL-Backend Produktfeeds von Awin. Ein regelbasierter Klassifizierer ordnet Produkte anhand von Merkmalen wie E-Bike-Typ, Akkukapazität in Wh und Motor ein. Anschließend werden Produkte gerankt; öffentlich erscheinen sie erst nach Freigabe.

Die Aufgaben sind getrennt: Merkmale werden regelbasiert klassifiziert, ein Ranking folgt, und die Veröffentlichung bleibt an eine Freigabe gebunden. Für die genannten Produktmerkmale ist eine nachvollziehbare Zuordnung wichtiger als eine offene Interpretation. Das Beispiel zeigt nicht, dass KI in Produktprozessen grundsätzlich ungeeignet ist, sondern dass sie dort keinen Selbstzweck erfüllt, wo klare Merkmale und kontrollierte Schritte ausreichen.

Empfehlung

• Wenn Eingaben strukturiert sind, Regeln stabil formulierbar sind und gleiche Fälle gleich behandelt werden müssen, verwenden Sie klassische Softwarelogik.
• Wenn Informationen unstrukturiert sind und sich relevante Muster nicht sinnvoll als feste Regeln abbilden lassen, prüfen Sie einen klar begrenzten KI-Schritt.
• Wenn ein KI-Ergebnis eine verbindliche oder schwer rücknehmbare Aktion auslöst, ergänzen Sie feste Prüfungen und gegebenenfalls eine menschliche Freigabe.
• Wenn ein Modell weder einen messbaren Vorteil gegenüber einer einfacheren Lösung bietet noch zuverlässig geprüft werden kann, setzen Sie es nicht ein.
• Wenn sich die Aufgabe teilweise klar und teilweise interpretativ verhält, trennen Sie diese Teile: Regeln für Grenzen und Aktionen, KI für die Interpretation, Review für unsichere Fälle.

Checkliste

• Ist der konkrete Prozessschritt beschrieben, statt nur ein allgemeines Automatisierungsziel?
• Sind Eingaben, mögliche Ergebnisse und Folgeaktionen bekannt?
• Lassen sich die fachlichen Bedingungen als Regeln ausdrücken?
• Welche Folgen hat eine falsche Zuordnung oder Ausgabe?
• Gibt es Kriterien, mit denen ein KI-Ergebnis geprüft werden kann?
• Ist klar, wann ein Fall automatisch weiterläuft und wann er zur Prüfung geht?
• Sind Zuständigkeiten für Änderungen an Regeln, Prompts und Freigaben festgelegt?
• Wird die Wirkung im vollständigen Workflow getestet und dokumentiert?

Häufige Fragen

Ist klassische Softwarelogik immer zuverlässiger als KI?

Bei klar definierten Regeln ist sie meist besser reproduzierbar. Das macht sie nicht automatisch fehlerfrei: Falsche Anforderungen, fehlerhafte Daten oder unvollständige Tests können auch regelbasierte Systeme scheitern lassen.

Kann KI feste Geschäftsregeln ersetzen?

Sie kann bei der Interpretation helfen, sollte aber verbindliche Grenzen nicht stillschweigend festlegen. Zulässige Werte, Berechtigungen und kritische Folgeaktionen lassen sich in der Regel besser explizit kontrollieren.

Woran erkenne ich, ob ein hybrider Workflow sinnvoll ist?

Wenn ein Prozess sowohl unstrukturierte Informationen als auch eindeutige fachliche Regeln enthält. KI kann dann Informationen vorbereiten oder Vorschläge machen, während Software die Grenzen prüft und Menschen Ausnahmen freigeben.

Weiterführend

• KI-Automatisierung im Unternehmen: Prozesse sicher steuern
• Prozesse für KI-Automatisierung: So treffen Sie die richtige Auswahl
• KI-Workflows richtig testen: Wie man Qualität messbar macht
• KI-Agent oder Workflow: Wann sich autonome Schritte wirklich lohnen