KI-Projekte realistisch einschätzen: Aufwand vs. Nutzen

KI-Funktionen klingen im Pitch fast immer eindrucksvoller, als sie im Betrieb tatsächlich sind. Bevor ich ein Feature mit einem Sprachmodell plane, stelle ich mir deshalb bewusst ein paar nüchterne Fragen — nicht um die Idee kleinzureden, sondern um sie realistisch einzuschätzen, bevor Zeit und Budget investiert werden.

Die falsche Reihenfolge

Der häufigste Fehler, den ich sehe, ist Technologie zuerst, Problem danach: "Wir brauchen ein KI-Feature" statt "Wir haben dieses konkrete Problem — womit lösen wir es am zuverlässigsten?" Wer mit der Lösung startet, biegt sich das Problem passend zurecht. Die bessere Reihenfolge ist immer, zuerst den tatsächlichen Prozess zu verstehen: Wo genau entsteht der Aufwand? Wer macht die Arbeit heute manuell, und warum dauert sie so lange?

Die Fragen, die ich mir stelle

Ist die Aufgabe wirklich sprachlich und uneindeutig — oder lässt sie sich eigentlich mit klaren Regeln lösen, nur dass das bisher niemand so aufgeschrieben hat? Wie tolerant ist der Anwendungsfall gegenüber gelegentlichen Fehlern — ein falsch formulierter interner Entwurfstext ist unkritisch, eine falsche Zahl in einer Rechnung nicht. Und ganz entscheidend: Wer prüft am Ende die Ausgabe, und wie viel Zeit spart das wirklich, wenn diese Prüfung eingerechnet wird? Diese drei Fragen sortieren erstaunlich viele Ideen schon vor der ersten Zeile Code.

Die versteckten Kosten

Ein Prototyp mit einer KI-API ist heute in wenigen Stunden gebaut — das ist Teil des Problems, nicht der Lösung, denn es verschleiert die eigentlichen Kosten. Die entstehen erst im Betrieb: laufende API-Gebühren, die mit der Nutzung skalieren, die Notwendigkeit, die Qualität der Ausgaben kontinuierlich zu überwachen, weil sich Modelle und ihr Verhalten über Zeit ändern können, und je nach Anwendungsfall zusätzlicher Aufwand für Datenschutz und Nachvollziehbarkeit. Ein Feature, das im Demo überzeugt, kann im laufenden Betrieb trotzdem unwirtschaftlich sein.

Wann es sich wirklich lohnt

Am verlässlichsten funktionieren KI-Funktionen dort, wo sie einen Menschen unterstützen statt ihn zu ersetzen: ein erster Entwurf, den jemand noch prüft und anpasst, eine Vorsortierung großer Textmengen, eine Zusammenfassung als Ausgangspunkt statt als Endergebnis. Sobald ein Sprachmodell die letzte Instanz in einem Prozess sein soll, steigt das Risiko deutlich schneller als der Nutzen.

Fazit

Gerade bei kleineren Unternehmen zahlt es sich aus, zuerst den eigentlichen Prozess zu verstehen, bevor die Technologie ausgewählt wird. Manchmal ist das Ergebnis dann tatsächlich ein KI-gestütztes Feature — manchmal reicht auch eine deutlich einfachere, klassische Lösung, die zuverlässiger und günstiger ist. Beides ist ein gutes Ergebnis, solange die Entscheidung bewusst getroffen wurde.