KI an jede Schnittstelle? Warum Regeln oft stabiler laufen als ein KI-Aufruf

Kurz gesagtEine KI an jeder Schnittstelle spart beim Einrichten Arbeit, macht den Ablauf im Betrieb aber teurer, langsamer und unberechenbarer: Dieselbe Eingabe kann unterschiedliche Ergebnisse liefern. Regelbasierte Abläufe reagieren immer gleich, lassen sich testen und kosten pro Durchlauf praktisch nichts. Der eigentliche Hebel ist, KI zum Bauen und Verbessern dieser Regeln zu nutzen und die Regeln dann unabhängig laufen zu lassen.

Märchen: An jede Übergabe gehört jetzt eine KI

Die Logik hinter dem Trend ist verständlich. Regeln schreiben ist mühsam. Man muss sich überlegen, welche Fälle es gibt, was bei welchem Fall passieren soll und was mit allem ist, was nicht passt. Ein KI-Aufruf dagegen ist schnell eingebaut: Text rein, Antwort raus, fertig. Also hängt man ihn dorthin, wo man sich das Nachdenken sparen will.

Genau da liegt der Denkfehler. Das Nachdenken spart man sich nicht, man verschiebt es nur. Statt einmal sauber festzulegen, was passieren soll, lässt man bei jedem einzelnen Durchlauf eine Maschine neu raten. Das fühlt sich modern an. Im Betrieb ist es oft das Gegenteil von Automatisierung.

Was ein KI-Aufruf an einer Schnittstelle wirklich bedeutet

Ein Sprachmodell rechnet nicht wie eine Tabelle. Es erzeugt eine wahrscheinliche Antwort. Das ist großartig für Texte, Ideen und alles Unscharfe. An einer Übergabe, an der ein Datensatz exakt an die richtige Stelle muss, bringt es Eigenschaften mit, die man sich gut überlegen sollte:

• Gleiche Eingabe, andere Ausgabe: Dieselbe Anfrage kann heute so und morgen anders eingeordnet werden. Spätestens wenn der Anbieter das Modell aktualisiert, ändert sich das Verhalten, ohne dass du etwas angefasst hast.
• Kosten pro Durchlauf: Jeder Aufruf kostet Rechenzeit und damit Geld. Bei zehn Vorgängen am Tag egal, bei zehntausend nicht mehr.
• Wartezeit und Abhängigkeit: Jeder Schritt hängt an einem fremden Dienst. Ist der langsam oder weg, steht deine Kette.
• Erfundene Antworten: Ein Modell sagt selten „weiß ich nicht“. Es liefert lieber etwas, das plausibel aussieht.
• Schwer zu prüfen: Warum ein Datensatz falsch gelandet ist, lässt sich bei einer Regel in zwei Minuten nachvollziehen. Bei einem Modell oft gar nicht.

Was die Zahlen aus den letzten Wochen sagen

Das ist keine Bauchgefühl-Kritik. Ende Oktober hat Cloudera seinen Bericht zur KI in Unternehmen veröffentlicht, für den 1.500 IT-Verantwortliche weltweit befragt wurden. Fast neun von zehn (89 %) haben KI-Anwendungen bereits eingeschränkt oder umgebaut, weil der Verbrauch und damit die Kosten gestiegen sind. Und 98 % haben einen KI-Einsatz schon einmal zurückgenommen, wegen Fehlern, erfundener Antworten oder unerwarteten Verhaltens.

Einen Tag später kam eine Studie von MarketsandMarkets im Auftrag von Graphwise mit 384 Befragten: Gut ein Viertel (25,6 %) erlebt falsche oder erfundene KI-Ergebnisse sehr häufig, weitere 45,2 % gelegentlich. Und eine wissenschaftliche Untersuchung von KI-Agenten im echten Betrieb nennt Zuverlässigkeit als größte Hürde beim Entwickeln. 68 % dieser Agenten laufen höchstens zehn Schritte, bevor ein Mensch eingreift.

Heißt übersetzt: Die Firmen, die KI am weitesten ausgerollt haben, bauen gerade an vielen Stellen wieder Kontrolle ein. Wer jetzt erst anfängt, kann sich diesen Umweg sparen.

Regeln sind nicht von gestern

„Regelbasiert“ klingt nach Excel-Makro aus 2009. Dabei kann ein regelbasierter Ablauf sehr komplex sein: Hunderte Fälle, Gewichtungen, Ausnahmen, Rückfragen, Abzweigungen. Der Unterschied zur KI an der Schnittstelle ist nicht die Intelligenz, sondern die Berechenbarkeit.

• Immer gleich: Dieselbe Eingabe führt immer zum selben Ergebnis.
• Testbar: Du kannst hundert Beispielfälle durchlaufen lassen und weißt danach, ob alles stimmt.
• Günstig: Ein Durchlauf kostet praktisch nichts, egal wie oft.
• Nachvollziehbar: Wenn etwas falsch läuft, siehst du, welche Regel gegriffen hat, und änderst genau die.

Wer schon mal ein Tool im Alltag betreiben musste, weiß, wie viel diese langweiligen Eigenschaften wert sind. Ich habe dazu neulich schon über die SaaS-Welle und das, was hinter der Oberfläche fehlt geschrieben.

Der eigentliche Hebel: KI baut die Regeln, die Regeln machen die Arbeit

Jetzt kommt der Teil, der aus meiner Sicht in der ganzen Debatte untergeht. Das Mühsame an Regeln war immer, sie zu schreiben, zu pflegen und zu testen. Genau das kann KI heute richtig gut. Also dreht man es um: Die KI sitzt nicht an der Schnittstelle, sondern in der Werkstatt. Sie entwirft die Regeln, schreibt Testfälle, findet Lücken und schlägt Verbesserungen vor. Laufen tut am Ende ein Ablauf ohne KI, schnell, berechenbar und günstig.

Wir machen das bei uns selbst so. Die Chatbox „Frag cebo“ auf unserer Website beantwortet Fragen seit dem 26. Oktober mit Regeln, nicht mit einem Sprachmodell. Jeden Morgen schaut sich eine KI an, welche Fragen die Chatbox nicht verstanden hat, schreibt neue Testfragen, ergänzt die Regeln und lässt alles gegen einen Prüfstand mit Beispielfragen laufen. Nur wenn der komplett besteht, landet das Update bei mir zur Freigabe. Erst dann geht es live. Die KI macht also die Denkarbeit im Hintergrund, die Besucher bekommen eine Antwort, die jedes Mal gleich, sofort und ohne Kosten pro Frage kommt.

Der Satz ist eigentlich als Werbung für Flexibilität gemeint. Ich lese ihn als Argument für Regeln: Ein Ablauf, der nicht bei jedem Durchlauf an einem fremden Modell hängt, ändert sich nicht über Nacht, nur weil sich draußen Preise oder Modelle ändern.

Wann eine KI an der Schnittstelle trotzdem richtig ist

Ich bin kein KI-Gegner, ich arbeite jeden Tag damit. Es gibt Stellen, an denen ein KI-Aufruf im laufenden Betrieb genau richtig ist:

• Wenn die Eingabe wirklich unstrukturiert ist, etwa Freitext, Bilder oder Sprache, und sich nicht sinnvoll in Fälle zerlegen lässt.
• Wenn ein neuer Text entstehen soll, zum Beispiel ein Entwurf, den danach ein Mensch prüft.
• Als Rückfallebene für den seltenen Fall, den keine Regel versteht, mit Kostenbremse und Protokoll, damit daraus später eine neue Regel werden kann.

Die Faustregel: Je öfter ein Schritt läuft und je genauer sein Ergebnis stimmen muss, desto eher gehört dort eine Regel hin. Mehr dazu, wohin sich KI im Marketing entwickelt, steht in unserer Prognose für 2027.

Checkliste: Bevor du eine KI an eine Übergabe hängst

1. Lässt sich die Entscheidung in Fälle zerlegen?Wenn ja, schreib Regeln, gern mit KI-Hilfe. Wenn nein, ist KI ein Kandidat.
2. Wie oft läuft der Schritt?Rechne die Kosten pro Aufruf auf einen Monat hoch. Oft erledigt sich die Frage damit.
3. Was passiert bei einer falschen Antwort?Falsche Rechnung, falscher Ansprechpartner, verlorene Anfrage? Je teurer der Fehler, desto wichtiger die Berechenbarkeit.
4. Kannst du es testen?Lege Beispielfälle mit erwartetem Ergebnis an. Was sich nicht testen lässt, läuft im Blindflug.
5. Wer verbessert die Regeln?Lass die KI regelmäßig Lücken suchen und Vorschläge machen, live geht es aber erst nach einer Freigabe durch einen Menschen.

Häufige Fragen

Quellen

1. The AI Scale Trap: Why 89% of Enterprises Are Forced to Redesign AI Use Cases Amid Spiraling Costs (State of Enterprise AI 2026), Cloudera (Wakefield Research, 1.500 Befragte), 26. Oktober 2026
2. Graphwise: 49% of Enterprises Expect Rapid AI Transformation, Yet Only 28% Have Established an Enterprise AI Strategy, Graphwise / MarketsandMarkets (384 Befragte), 27. Oktober 2026
3. Measuring Agents in Production, Pan u. a., arXiv, 4. Juni 2026