KI ist Statistik ohne Denkfähigkeit, was das für KMU bedeutet

„Schreiben Sie mir doch einfach einen KI-Agenten"

Letzte Woche, Erstgespräch mit einem Geschäftsführer eines Maschinenbauers, gut 60 Mitarbeiter. Der Satz im Titel war seine Eröffnung. Er hatte einen LinkedIn-Beitrag gelesen, in dem jemand erklärt hatte, dass „autonome KI-Agenten" jetzt das Backoffice übernehmen, und wollte das auch.

Eine Stunde später war klar, dass sein eigentliches Problem überhaupt nichts mit KI zu tun hatte. Aufträge wanderten zwischen vier nicht verbundenen Systemen, ERP, Excel-Tracker, Outlook und einer Branchenlösung aus 2014, die per E-Mail-Anhang gefüttert wurde. Niemand wusste verlässlich, welcher Auftrag wo steht. Ein „KI-Agent" hätte daran nichts geändert. Er hätte nur eine zusätzliche Schicht über einen ohnehin chaotischen Unterbau gelegt.

Was wirklich half, war das Gegenteil: Die vier Systeme über vernünftige Schnittstellen sauber verbinden, eine Quelle der Wahrheit definieren, Dubletten eliminieren. Klassische Digitalisierung. Kein Sprachmodell beteiligt. Wirkung ein Monat später deutlich, messbar, wartbar.

Diese Geschichte ist kein Einzelfall. Sie ist der Regelfall. Und der Grund dafür liegt in einem Missverständnis, das mir in fast jedem Gespräch begegnet, bei Geschäftsführern, in Fachartikeln, auf Konferenzen.

Die unbequeme Wahrheit: KI ist Statistik ohne Denkfähigkeit

Das aktuelle Marketing rund um Künstliche Intelligenz suggeriert, dass diese Systeme „verstehen", „denken" oder „entscheiden". Das tun sie nicht. Sie sind, technisch sauber formuliert, sehr leistungsfähige Wahrscheinlichkeits-Rechner.

Ein Sprachmodell wie ChatGPT, Claude oder Gemini schaut sich einen Text an und berechnet auf Basis riesiger Trainingsdaten, welches Token (Wortbestandteil) als nächstes statistisch am wahrscheinlichsten ist. Dann das nächste. Und das nächste. Es entsteht ein Text, der so klingt, als hätte ein Mensch nachgedacht, weil er aus den Mustern menschlicher Texte zusammengesetzt wurde. Aber es findet keine Reflexion statt, kein Verständnis, kein Urteilsvermögen. Nur Mustererkennung im großen Stil.

Das ist keine Geringschätzung. Diese Mustererkennung ist ein Werkzeug, das vor zehn Jahren niemand für möglich gehalten hätte, und sie macht in den richtigen Anwendungsfällen einen riesigen Unterschied. Aber sie hat klare Grenzen. Wer diese Grenzen kennt, trifft plötzlich viel bessere Entscheidungen darüber, wo sich der Einsatz lohnt und wo er nur Geld kostet.

Drei Konsequenzen ergeben sich aus dieser nüchternen Sicht:

• Keine Kausalität. Das Modell kennt Korrelationen aus Texten, aber kein Warum. Ursache und Wirkung kann es nicht trennen. Es sieht nur Muster, die in Trainingsdaten häufig zusammen auftraten.
• Selbstbewusste Falschaussagen. Wenn die wahrscheinlichste Antwort schlicht falsch ist, gibt das Modell sie trotzdem aus, mit derselben sprachlichen Sicherheit wie eine richtige. Das ist die berüchtigte „Halluzination".
• Kein Gedächtnis im klassischen Sinn. Was nicht im aktuellen Kontextfenster steht, existiert für das Modell nicht. Und was es „weiß", weiß es aus den Trainingsdaten von vor Monaten oder Jahren, nicht aus Ihrem Betrieb.

Wer mit dieser Brille auf seinen Werkzeugkasten schaut, sieht plötzlich klarer, was sinnvoll ist und was nicht.

Wo der Einsatz heute schon einen echten Unterschied macht

Es gibt eine ganze Reihe von Aufgaben, in denen Sprachmodelle hervorragend abschneiden, weil es genau jene Aufgaben sind, in denen Mustererkennung das Wesentliche ist und ein menschliches Urteil entweder nicht nötig oder als letzter Prüfschritt vorgesehen bleibt.

• Texte zusammenfassen, vorstrukturieren, übersetzen. Lange Berichte auf eine halbe Seite eindampfen. E-Mail-Verläufe in Stichpunkte gießen. Ein Angebot in einer anderen Sprache vorbereiten.
• Daten klassifizieren, Muster vorsortieren. Eingehende Anfragen nach Kategorie sortieren. Belege in Kontenklassen vorschlagen. Tickets nach Dringlichkeit gruppieren, immer mit menschlicher Kontrolle obendrauf.
• Standard-Dokumente vorbereiten. Aus stichpunktartigen Notizen einen Erstentwurf für ein Angebotsschreiben erstellen, das ein Mensch noch prüft, schärft, verantwortet.
• Wissen erschließen. Mit eigenen Dokumenten gefüttert, kann ein Modell Fragen aus dem Team beantworten („Wo steht in unseren Verträgen, wer Wartungsfenster freigibt?"), ohne dass jemand 200 PDFs durchsucht.
• Kreativer Erstwurf. Ideen für Texte, Slogans, Strukturen, Konzepte. Das ist nicht das Endprodukt. Es ist der Startpunkt.

Was diese Beispiele eint: Sprache, Muster, viele ähnliche Fälle, ein Mensch im Prüfprozess. Genau die Stärken eines Wahrscheinlichkeits-Rechners.

Wo KI eher nicht eingesetzt werden sollte

Ebenso wichtig wie die Frage „wo sinnvoll?" ist die Frage „wo besser nicht?". In folgenden Bereichen ist der Einsatz heute oft überflüssig, manchmal sogar riskant.

• Entscheidungen mit Haftungsrisiko. Steuerliche Einordnungen, rechtliche Bewertungen, medizinische Aussagen, sicherheitskritische Steuerung. Hier braucht es Verantwortung, die ein Mensch trägt, und ein System, das nachvollziehbar erklärt, warum es so entschieden hat. Beides ist bei Sprachmodellen nicht gegeben.
• Aufgaben, in denen Fachwissen und Erfahrung gefragt sind. Eine erfahrene Buchhalterin erkennt eine ungewöhnliche Buchung, weil sie den Kunden seit zehn Jahren betreut. Ein Modell kann das nicht, es sieht nur den Beleg von heute.
• Prozesse, die ohnehin schon kaputt sind. Wer einen unklaren, störungsanfälligen Prozess mit einer KI-Schicht überzieht, beschleunigt nur das Chaos. Das Ergebnis ist dann nicht „weniger Aufwand". Es ist „schneller mehr Aufwand".
• Anwendungen mit hohen Anforderungen an Reproduzierbarkeit. Wenn dieselbe Eingabe zwingend dasselbe Ergebnis liefern muss (Steuerberechnung, Maschinensteuerung, regulatorisches Reporting), ist ein Sprachmodell mit seiner inhärenten Variabilität die falsche Wahl.

Diese Liste ist nicht vollständig, sie soll nur ein Gefühl vermitteln. Faustregel: Je näher eine Aufgabe an Verantwortung, Fachurteil oder Reproduzierbarkeit liegt, desto eher gehört sie zum Menschen oder zu einem klassischen, deterministischen System. Nicht zur KI.

Der unbequeme Punkt: Manchmal ist Digitalisierung der bessere erste Schritt

Jetzt zum Teil, der für mich als Berater eigentlich unbequem ist, den ich aber trotzdem ausspreche, weil alles andere unehrlich wäre.

In sehr vielen Betrieben, die ich besuche, heißt der bessere erste Schritt nicht KI. Er heißt: sauber digitalisieren.

Das klingt unspektakulär. Es lässt sich nicht so gut auf LinkedIn vermarkten wie der „autonome KI-Agent". Aber es ist die Wahrheit, und sie sieht in der Praxis so aus:

• Saubere Daten. Eine Quelle der Wahrheit pro Datentyp (Kunden, Aufträge, Stunden, Belege). Keine drei parallelen Excel-Listen, die niemand mehr abgleichen kann.
• Klare Prozesse. Wer macht was, wann, mit welchem Werkzeug. Aufgeschrieben, nicht nur im Kopf der Inhaberin.
• Vernünftige Schnittstellen. Bestehende Software (ERP, CRM, Buchhaltung, Branchenlösung) miteinander verbinden, statt einen vierten Datenfriedhof anzulegen. Eine einfache, stabile Schnittstelle bringt oft mehr als ein neues Tool.
• Automatisierte Routinearbeit. Wiederkehrende Wenn-Dann-Abläufe, Termin-Sync, Reminder, Reportings, über Werkzeuge wie n8n, Make oder eigene kleine Skripte abbilden. Kein Sprachmodell nötig.

Diese Schicht ist nicht glamourös. Sie kostet weniger als ein KI-Projekt, sie hält länger, sie ist robuster gegenüber Modellwechseln und Anbieter-Pleiten. Und sie ist in mehr Betrieben das eigentliche Problem, als ich vor fünf Jahren geglaubt hätte.

Erst wenn diese Basis steht, ergibt KI als Verstärker Sinn. Auf einem chaotischen Fundament richtet auch das beste Modell wenig aus. Auf einem sauberen Fundament macht selbst ein bescheidenes Modell oft den entscheidenden Unterschied.

Das ist die unbequeme Botschaft, die in einem ehrlichen Erstgespräch fallen muss. Manchmal lautet die Empfehlung eben „lassen Sie uns erst die letzten zehn Jahre Digitalisierungslücke schließen, danach reden wir über KI". Nicht „lassen Sie uns KI einführen".

Dass diese Empfehlung weniger Folgeumsatz bringt als ein klangvolles KI-Projekt, ist mir bewusst. Sie ist trotzdem die richtige.

Drei Fragen, die Sie sich vor der nächsten Investition stellen sollten

Wenn aktuell ein Angebot mit „KI" auf dem Tisch liegt, egal ob KI-Chatbot, KI-Agent, KI-Assistent, helfen drei Fragen.

1. Welches konkrete Geschäftsproblem löst dieses System? Die Antwort „wir nutzen jetzt KI" reicht nicht. Es braucht „nach diesem Projekt sparen wir X Stunden pro Woche an dieser Stelle" oder „die Durchlaufzeit von Y sinkt von Z auf W". Wenn die Antwort vage bleibt, ist das System nicht der Engpass.

2. Steht die Daten- und Prozess-Basis dafür schon? Ein KI-Lead-Bot ist nutzlos, wenn das CRM nicht gefüttert wird und Anfragen am Ende doch im normalen Posteingang versanden. Ein KI-Beleg-Assistent ist nutzlos, wenn die Belege weiterhin chaotisch eingehen. Erst Basis prüfen, dann KI.

3. Was passiert, wenn die KI-Schicht ausfällt oder das Modell wechselt? Bleibt der Prozess weiterhin funktionsfähig, nur ohne den KI-Verstärker? Dann ist die Architektur belastbar. Bricht alles zusammen? Dann hängt Ihr Geschäft an einem fremden Modellanbieter, dessen Preise, Verfügbarkeiten und Datenpolicy Sie nicht kontrollieren.

Diese drei Fragen kosten ein paar Minuten. Sie ersparen oft fünfstellige Beträge.

Was bleibt

KI ist kein Wunderwerkzeug. Sie ist Statistik ohne Denkfähigkeit. An den richtigen Stellen ein außerordentlich nützliches Werkzeug, an den falschen ein teurer Platzhalter.

Es gibt sehr viele Bereiche im KMU-Alltag, in denen der Einsatz heute schon einen messbaren Unterschied macht. Es gibt mindestens genauso viele, in denen er nichts bringt oder sogar schadet. Entweder weil das Werkzeug zur Aufgabe nicht passt oder weil die Basis darunter fehlt. Diese Linie sauber zu ziehen, ist die wichtigste Vorarbeit, die ein Unternehmen leisten kann, bevor es Geld in die Hand nimmt.

Und ja: in vielen Fällen lautet die ehrliche Empfehlung, erst die Hausaufgaben in der Digitalisierung zu machen. Saubere Daten, klare Prozesse, vernünftige Schnittstellen. Das bringt oft mehr als jedes KI-Wundertool, und es ist die Voraussetzung dafür, dass KI später überhaupt etwas bewirkt.

Wenn Sie für Ihren eigenen Betrieb sortieren möchten, was in welche Spalte gehört, KI, Digitalisierung, oder „bewusst lassen", ist ein Digital-Realitäts-Check der pragmatischste Einstieg. Wer lieber zuerst grundsätzlich Klarheit schaffen will, wo KI im eigenen Unternehmen Sinn ergibt und wo nicht, findet im KI-Einführungsworkshop eine kompakte Standortbestimmung. Und wenn Sie wissen wollen, welche Angebote zu welcher Phase passen, ist das der nüchterne Überblick.

Was Sie nicht von mir hören werden: dass KI für jeden Betrieb das Richtige ist. Was Sie hören werden: was bei Ihnen, heute, in Ihrer Situation, mit Ihren Daten, wirklich Sinn ergibt. Auch wenn die Antwort manchmal lautet: noch nicht. Oder: nicht hier.