Zum Inhalt springen
Darstellung

Blog · Digital Sense – The Human Side of AI

KI sinnvoll einordnen: Vom Hype zur konkreten Aufgabe

4 Min. Lesezeit

KI ist älter und vielfältiger als ChatGPT – und „Intelligenz“ ist kein einfacher Maßstab für ihren Nutzen. Entscheidend ist, welches Problem ein System löst und ob Menschen seine Ergebnisse verstehen und verantworten können.

KI ist mehr als ein Chatfenster

Wer heute über KI spricht, meint oft Sprachmodelle und generative Werkzeuge. Doch viele Verfahren waren schon lange im Einsatz, bevor sie für ein breites Publikum sichtbar wurden: etwa Expertensysteme, Entscheidungsbäume, Random Forests und statistische Sprachverarbeitung. Sie unterstützen unter anderem Klassifikationen, Prognosen und Process Mining.

Die neue Zugänglichkeit verändert vor allem, wer KI unmittelbar ausprobieren kann. Sprachbots lassen sich über das Internet und das Smartphone direkt nutzen. Das heißt aber nicht, dass KI erst mit diesen Anwendungen begonnen hat. In vielen Arbeitsabläufen lief sie bereits im Hintergrund – manchmal, ohne dass Nutzerinnen und Nutzer davon wussten.

„Intelligenz“ ist kein verlässlicher Projektmaßstab

Prof. Dr. Oliver Skroch, Professor für Wirtschaftsinformatik an der Hochschule Darmstadt, stellt im Gespräch den Begriff „künstliche Intelligenz“ infrage. Eine allgemein akzeptierte Definition natürlicher Intelligenz gebe es ebenfalls nicht. Außerdem können Menschen einem System Fähigkeiten zuschreiben, auch wenn es nicht intelligent im menschlichen Sinn arbeitet.

Für Unternehmen ist deshalb oft eine praktischere Frage hilfreicher: Kann das System eine konkrete Aufgabe besser, schneller, genauer oder stabiler lösen? Damit wird der Blick weg von der Menschenähnlichkeit und hin zum tatsächlichen Arbeitsproblem gelenkt.

Das ist keine Einladung, Möglichkeiten kleinzureden. Es ist eine Einladung, genau hinzuschauen: Was soll sich verbessern, für wen und unter welchen Bedingungen? Ein überzeugender Demo-Eindruck beantwortet diese Fragen noch nicht.

Hype und Gegenreaktion gehören zur Geschichte

Auch die öffentliche Begeisterung für KI ist nicht neu. Skroch beschreibt ein wiederkehrendes Muster: Fachleute schätzen Möglichkeiten oft vorsichtig ein, während Erwartungen in der Öffentlichkeit und in wirtschaftlichen Zusammenhängen stark angeheizt werden können. Wenn die Versprechen nicht eingelöst werden, folgt mitunter eine Gegenreaktion.

Im Gespräch kommen dazu historische Beispiele zur Sprache – darunter frühe neuronale Netze und das chilenische Projekt CyberSyn, das Produktion und Logistik zentral koordinieren sollte. Solche Rückblicke liefern keine einfache Blaupause für heutige Entwicklungen. Sie helfen aber, aktuelle Versprechen nicht mit gesichertem Nutzen zu verwechseln.

Zwischen „KI löst alles“ und „KI bringt nichts“ liegt die eigentliche Arbeit: verstehen, einordnen, ausprobieren und messen – und diese Einschätzung später wieder überprüfen.

Ein Modell kann das falsche Signal lernen

Wie wichtig die Prüfung im konkreten Einsatz ist, zeigt eine im Gespräch erzählte Erfahrung aus der Qualitätskontrolle von Lackierungen. Ein neuronales Netz sollte Lackfehler erkennen. Im Live-Betrieb schien es stattdessen Merkmale einer bestimmten Probencharge gelernt zu haben, etwa leichte Farbabweichungen. Es erkannte damit nicht zuverlässig das, wofür es vorgesehen war.

Das Beispiel macht ein grundlegendes Risiko sichtbar: Ein Modell kann auf Zusammenhänge reagieren, die in den Trainingsdaten mit dem gewünschten Ergebnis verbunden waren, ohne tatsächlich das relevante Merkmal zu erfassen. Gute Ergebnisse in einer Testumgebung reichen daher nicht allein aus. Entscheidend ist, ob das System unter realen Bedingungen die richtige Aufgabe erfüllt und ob seine Grenzen erkennbar sind.

Erst das Problem klären, dann ein Werkzeug wählen

Auch in Unternehmen beginnt ein tragfähiges KI-Projekt nicht mit der Auswahl eines Tools. Zuerst sollte geklärt werden, welches Problem gelöst und welche Veränderung erreicht werden soll. Im Austausch mit Praxispartnern zeigt sich laut Skroch mitunter, dass eine zunächst klar wirkende Fragestellung noch präzisiert werden muss.

Für die Entscheidung gehören mehrere Fragen zusammen:

  • Welche Aufgabe soll sich verändern – und für wen?
  • Welche Daten und Arbeitsabläufe sind dafür relevant?
  • Wer nutzt das Ergebnis und wer trägt Verantwortung dafür?
  • Woran lässt sich eine Verbesserung erkennen?
  • Welche Kosten, Risiken und möglichen Zielkonflikte gibt es?

Wirtschaftlichkeit lässt sich nicht allein am Aufwand ablesen. Sie setzt den Nutzen ins Verhältnis zum Aufwand und muss zum jeweiligen Unternehmen passen. Auch Zahlen brauchen Kontext: Welche Annahmen stecken in einer Messung, und welche Aspekte lassen sich nur qualitativ beurteilen?

Menschen müssen Ergebnisse beurteilen können

KI-Kompetenz bedeutet nicht nur, ein Werkzeug bedienen zu können. Wer Ergebnisse übernimmt, sollte sie verstehen, prüfen und in ihrer Bedeutung einschätzen können. Das gilt in Unternehmen ebenso wie in der Hochschullehre.

Skroch hält ein pauschales Verbot von KI-Werkzeugen in der Lehre für wenig sinnvoll. Zugleich beschreibt das Gespräch offene Fragen dazu, wie eigenständige Leistung künftig geprüft werden kann. Als Orientierung nennt er eine Lernreihenfolge: Zuerst grundlegende Kompetenzen aufbauen, anschließend KI-Werkzeuge gezielt einsetzen. So können Lernende Ergebnisse nicht nur erzeugen lassen, sondern auch analysieren und bewerten.

Für Organisationen gilt eine ähnliche Logik. Veränderungen brauchen transparente Ziele, rechtzeitige Beteiligung und Zeit zum Lernen. Fragen und Fehler müssen möglich sein, ohne dass sofort die Leistung oder Rolle der Beteiligten infrage steht. Technik verändert, was machbar ist; wie sie eingesetzt wird, bleibt eine menschliche und organisatorische Entscheidung.

Weniger Aktionismus, mehr Urteilskraft

In der mehrteiligen Podcastfolge besprechen Dr. Lucien André Reuter und Yvonne Faoual mit Oliver Skroch ausführlich, wie sich KI historisch, technisch und praktisch einordnen lässt – von frühen Verfahren über öffentliche Erwartungen bis zu Hochschullehre und Unternehmensprojekten. Der rote Faden ist dabei nicht die Suche nach dem nächsten Schlagwort, sondern nach besseren Entscheidungen.

Wer KI einsetzen will, muss nicht zuerst jede neue Methode kennen. Ein guter Anfang ist, das eigene Problem präzise zu benennen, den angestrebten Nutzen nachvollziehbar zu machen und Menschen einzubeziehen, die mit den Ergebnissen arbeiten. Daraus entsteht eine belastbarere Grundlage als aus dem bloßen Wunsch, „jetzt auch KI zu machen“.