KI-Innovationen: Was zwischen Demo und Alltagseinsatz liegt

Kaum ein Feld bringt so viele Neuheiten hervor wie die künstliche Intelligenz. Neue Sprachmodelle erscheinen in kurzen Abständen. Systeme erzeugen Bilder, Videos und Programmcode. Forschungsgruppen melden Rekorde in Tests, die vor wenigen Jahren noch als kaum lösbar galten.

Für Unternehmen und interessierte Leser ist eine andere Frage wichtiger. Welche dieser Neuheiten wird in absehbarer Zeit zu einem verlässlichen Werkzeug? Der Weg von der beeindruckenden Vorführung zur Routine im Betrieb ist meist länger, als die Schlagzeilen vermuten lassen.

Dieser Beitrag erklärt, warum das so ist, welche KI-Anwendungen den Weg schon geschafft haben und wie Sie eine Neuheit nüchtern bewerten.

Drei Arten von Neuheiten

Nicht jede KI-Innovation ist von derselben Sorte. Es hilft, drei Typen zu unterscheiden:

• Neue Fähigkeiten: Ein System kann etwas, das vorher keine Maschine konnte, etwa frei formulierte Texte zu beliebigen Themen schreiben.
• Bessere Versionen: Eine bekannte Fähigkeit wird genauer, schneller oder billiger, etwa die Spracherkennung auf dem Smartphone.
• Neue Anwendungen: Eine vorhandene Technik wird auf eine neue Aufgabe übertragen, etwa Bilderkennung zur Kontrolle von Schweißnähten.

Die erste Sorte bekommt die meiste Aufmerksamkeit. Den größten wirtschaftlichen Nutzen bringen aber oft die beiden anderen. Eine Spracherkennung, die endlich auch in einer lauten Werkhalle zuverlässig funktioniert, verändert mehr Arbeitsplätze als ein spektakulärer Prototyp.

Für mittelständische Betriebe ist das eine gute Nachricht. Sie müssen kein eigenes Modell entwickeln, um von KI zu profitieren. Oft genügt es, eine erprobte Technik geschickt auf ein eigenes Problem anzuwenden. Beispiele sind die automatische Erfassung von Lieferscheinen oder die Sichtprüfung am Ende einer Fertigungslinie.

Warum Vorführungen und Bestenlisten täuschen

Neue Modelle werden meist an Bestenlisten gemessen, sogenannten Benchmarks. Das sind standardisierte Aufgabensammlungen, bei denen Punkte vergeben werden. Sie sind nützlich für Vergleiche, haben aber Schwächen. Viele messen eng begrenzte Fähigkeiten. Manche Testaufgaben sind im Internet verbreitet und können in die Trainingsdaten gelangt sein. Das Modell kennt dann die Antworten, statt sie herzuleiten.

Vorführungen zeigen in der Regel den besten Fall. Was in einem Video flüssig wirkt, kann der zehnte Versuch gewesen sein. Im Betrieb zählt dagegen, wie zuverlässig ein System an jedem Tag und bei jeder Eingabe arbeitet.

Besonders deutlich wird das bei Aufgaben mit vielen Schritten. Ein System, das jeden einzelnen Schritt in 95 von 100 Fällen richtig macht, wirkt solide. Besteht eine Aufgabe aber aus 20 solchen Schritten, gelingt sie insgesamt nur in gut einem Drittel der Fälle. Für KI-Agenten, die ganze Abläufe selbstständig erledigen sollen, ist das eine zentrale Hürde.

Eine Vorführung zeigt, was möglich ist, der Betrieb zeigt, was sich wiederholen lässt.

Die stillen Erfolge

Viele KI-Anwendungen haben den Weg in den Alltag längst geschafft, ohne dass jemand darüber spricht. Spamfilter sortieren unerwünschte E-Mails aus, bevor Sie sie sehen. Banken prüfen Kartenzahlungen in Echtzeit auf verdächtige Muster. Maschinelle Übersetzung und Spracherkennung sind Teil gewöhnlicher Software geworden. In Fabriken prüfen Kameras Bauteile auf Kratzer und Risse.

Diese Anwendungen haben einiges gemeinsam. Die Aufgabe ist klar umrissen. Es gibt viele Beispiele, aus denen ein Modell lernen kann. Und Fehler sind entweder billig oder werden aufgefangen. Ein falsch einsortierter Newsletter ärgert, schadet aber kaum. Eine verdächtige Kartenzahlung löst eine Rückfrage aus, die sich schnell klären lässt.

Wichtig ist auch die Zeit. Viele dieser Systeme wurden über Jahre verbessert, meist in kleinen Schritten. Der Durchbruch, der in der Rückschau plötzlich wirkt, war oft eine lange Folge unspektakulärer Verbesserungen.

Wo der Weg länger dauert

In der Medizin ist KI-Software, die bei Diagnosen hilft, in der Regel ein Medizinprodukt. Sie braucht eine Konformitätsbewertung und klinische Belege, bevor sie eingesetzt werden darf. Danach muss sie in die IT eines Krankenhauses passen und in die Abläufe von Ärztinnen und Ärzten. Jeder dieser Schritte kostet Zeit, und das aus gutem Grund.

Im Straßenverkehr zeigt sich ein ähnliches Muster. Assistenzsysteme, die die Spur halten oder automatisch bremsen, sind in vielen Neuwagen verbreitet. Fahrzeuge, die völlig ohne Fahrer unterwegs sind, gibt es dagegen nur in begrenzten Gebieten und unter besonderen Bedingungen. Der Grund sind die vielen seltenen Situationen: Baustellen, ungewöhnliche Handzeichen, Wetter, das die Sensoren stört.

Hinzu kommt die Regulierung. Die EU-KI-Verordnung ist seit August 2024 in Kraft, ihre Pflichten greifen schrittweise. Für Anwendungen mit hohem Risiko, etwa bei der Prüfung der Kreditwürdigkeit, der Personalauswahl oder in der Bildung, verlangt sie unter anderem Risikomanagement, Dokumentation und menschliche Aufsicht. Das verlangsamt manche Einführung, schafft aber auch Vertrauen.

Was der laufende Betrieb kostet

Bei der Bewertung einer KI-Neuheit wird oft nur der Einstieg betrachtet. Die eigentlichen Kosten entstehen im laufenden Betrieb. Große Modelle verursachen bei jeder Anfrage Rechenkosten. Bei Tausenden Anfragen am Tag summiert sich das schnell.

Dazu kommt die Pflege. Daten ändern sich, und ein Modell, das vor einem Jahr gut war, kann heute schlechter abschneiden. Bei eingekauften Diensten ändert der Anbieter das Modell manchmal ohne lange Vorankündigung, und Ergebnisse fallen anders aus als zuvor. Wer KI in wichtige Abläufe einbaut, braucht deshalb laufende Tests und eine zuständige Person im Haus. Ebenso nötig ist ein Plan für den Fall, dass ein Dienst ausfällt oder teurer wird.

Nicht zu unterschätzen ist der Aufwand für die Menschen, die mit dem System arbeiten. Sie müssen lernen, Ergebnisse zu prüfen, statt ihnen blind zu vertrauen. Gerade Sprachmodelle formulieren auch falsche Antworten sehr überzeugend. Fachleute sprechen von Halluzinationen. Wer das weiß, baut Kontrollen genau dort ein, wo ein Fehler teuer wäre.

So prüfen Sie eine Neuheit für Ihr Unternehmen

Bevor Sie eine neue KI-Anwendung einführen, helfen einige nüchterne Fragen:

• Welche Aufgabe soll das System genau erledigen, und wie wird sie heute gelöst?
• Haben Sie es mit eigenen, typischen Daten getestet, nicht nur mit den Beispielen des Anbieters?
• Wie bemerken Sie Fehler, und was kostet ein Fehler im schlimmsten Fall?
• Was kostet ein erledigter Vorgang im Vergleich zur bisherigen Lösung?
• Wohin fließen Ihre Daten, und können Sie den Anbieter später wechseln?

Die KI der nächsten Jahre wird vermutlich seltener als eigenes Produkt auftreten. Sie wird als Bestandteil in Textverarbeitung, Buchhaltung, Konstruktionsprogrammen und Maschinensteuerungen aufgehen. Das ist weniger spektakulär als eine Vorführung auf großer Bühne. Für die meisten Unternehmen ist es aber der Weg, auf dem Innovation tatsächlich ankommt.