Beim Entwurf einer Automatisierung muss man sich nicht für den gesamten Ablauf zwischen „Regeln“ und „künstlicher Intelligenz“ entscheiden. Sinnvoll ist die Wahl für jeden einzelnen Schritt: Welcher Mechanismus eignet sich am besten für die jeweilige Aufgabe, welche Grenzen gelten und was geschieht, wenn die Informationen keine verlässliche Antwort ermöglichen? Eine Regel kann eine ausdrücklich festgelegte Bedingung prüfen; ein Modell kann eine variable Beschreibung interpretieren. Häufig ist eine Kombination aus beidem die robusteste Lösung.
Entscheidend ist nicht, wie viel Technologie sich integrieren lässt, sondern welches Ergebnis benötigt wird und welches Risiko ein Fehler mit sich bringt. Wenn Sie Aufgaben einzeln betrachten, lassen sich zwei häufige Fehler vermeiden: KI für einfache Entscheidungen einzusetzen, die sich anhand überprüfbarer Bedingungen treffen lassen, oder starre Regeln auf mehrdeutige und veränderliche Informationen anzuwenden.
Beginnen Sie mit der Art des Problems in jedem Schritt
Beschreiben Sie jeden Schritt der Automatisierung anhand von vier Fragen: Was geht ein, was soll ausgegeben werden, welche Belege oder Vorgaben müssen berücksichtigt werden und was geschieht, wenn keine Entscheidung möglich ist? „Feststellen, ob eine Rechnung den genehmigten Höchstbetrag überschreitet“ ist beispielsweise etwas anderes als „interpretieren, worum eine Person in einer E-Mail bittet“. Auch wenn beide Schritte zum selben Ablauf gehören, unterscheiden sich ihre Eingaben und Kriterien.
Regeln sind ausdrückliche Anweisungen: Wenn eine Bedingung erfüllt ist, wird eine Aktion ausgeführt. KI kann dagegen hilfreich sein, wenn Eingaben interpretiert werden müssen, deren Bedeutung nicht in einer festen Struktur ausgedrückt ist. Sie macht es jedoch nicht überflüssig, das erwartete Ergebnis festzulegen, Zweifelsfälle zu prüfen und zu bestimmen, wann keine automatische Entscheidung getroffen werden soll.
Prüfen Sie vor der Auswahl, ob sich die Aufgabe aufteilen lässt. Vielleicht soll die KI lediglich eine Kategorie vorschlagen, während eine Regel Pflichtfelder validiert und die endgültige Entscheidung umsetzt. Wenn Sie jeder Aufgabe einen passenden Mechanismus zuordnen, statt einen für den gesamten Prozess zu wählen, lassen sich Kontrollen meist klarer gestalten.
Wann Regeln ausreichen
Regeln sind in der Regel die direkteste Option, wenn Daten strukturiert sind, sich Kriterien eindeutig formulieren lassen und die Ergebnisse vorhersehbar sind. Hypothetische Beispiele sind die Prüfung, ob ein Feld ausgefüllt ist, die Berechnung eines Betrags anhand einer festgelegten Formel oder die Weiterleitung einer Anfrage nach einem vom Nutzer ausgewählten Code.
Regeln eignen sich auch, wenn sich jede Entscheidung konkret erklären lassen muss: „Die Anfrage wurde abgelehnt, weil die erforderliche Kennung fehlte.“ Da Regeln ausdrücklich festgelegt sind, lassen sich ihre Bedingungen überprüfen und anpassen, ohne nachvollziehen zu müssen, warum ein Modell eine bestimmte Antwort ausgegeben hat. Das bedeutet nicht, dass Regeln unfehlbar sind: Fehlerhafte Daten, unvollständige Bedingungen oder widersprüchliche Regeln können ebenfalls zu Problemen führen.
Bevor Sie eine umfangreiche Logik aufbauen, sollten Sie den Wartungsaufwand berücksichtigen. Eine kurze Liste stabiler Bedingungen lässt sich leicht verwalten; eine wachsende Sammlung von Ausnahmen kann dagegen schwer verständlich und zu testen sein. Wenn das Team nicht erklären kann, welche Regel gilt, sobald zwei Bedingungen gleichzeitig zutreffen, ist das ein Hinweis darauf, den Entwurf zu vereinfachen oder neu zu überdenken.
Wann KI einen Mehrwert bieten kann
KI kann nützlich sein, wenn die Eingabe aus freiem Text besteht, sprachliche Varianten enthält oder Informationen ausdrückt, die sich nicht in eine geschlossene Liste von Optionen einordnen lassen. Beispielsweise könnte sie für eine unterschiedlich formulierte Nachricht eine Kategorie vorschlagen oder Daten aus einem Dokument mit variierendem Format extrahieren. Ihr Mehrwert liegt darin, Muster zu interpretieren – nicht darin, die Validierung des Ergebnisses zu ersetzen.
Die praktische Frage lautet, ob sich die Variationen nur schwer vollständig aufzählen lassen, obwohl die relevante Bedeutung gleich bleibt. Wenn jeder neue Fall zusätzliche Schlüsselwörter, Ausnahmen und sich überschneidende Bedingungen erfordert, kann ein Verfahren zur Interpretation besser geeignet sein. Sind die Eingaben hingegen einheitlich und die Bedingungen klar definiert, könnte ein Modell zusätzliche Komplexität schaffen, ohne ein tatsächliches Problem zu lösen.
Auch die Fehlertoleranz spielt eine Rolle. Eine falsche Klassifizierung, die lediglich einen von einer Person geprüften Vorschlag erzeugt, kann ein anderes Risiko darstellen als eine Entscheidung, die eine Zahlung auslöst, einen Antrag ablehnt oder kritische Daten verändert. Legen Sie fest, welche Fehler akzeptabel sind, welche Belege eine Ausgabe begleiten müssen und welche Fälle nicht automatisch gelöst werden dürfen. Das NIST AI Risk Management Framework bietet einen Rahmen zur Betrachtung von Risiken im Zusammenhang mit KI-Systemen; die konkrete Bewertung muss sich jedoch nach dem vorgesehenen Einsatz richten.
Auswahlkriterien: Genauigkeit, Erklärbarkeit und Ausnahmen
Vergleichen Sie die Optionen im Hinblick auf den gesamten Betrieb und nicht nur darauf, ob sie eine Antwort erzeugen können. Die folgenden Kriterien helfen, die Entscheidung zu strukturieren:
- Klarheit der Eingaben: Treffen die Daten in festgelegten Feldern ein oder in wechselnden Formaten und Formulierungen?
- Erforderliche Genauigkeit: Welche Folgen hat eine falsche Antwort, und lässt sich der Fehler korrigieren, bevor er sich auf weitere Schritte auswirkt?
- Erklärbarkeit: Muss eine überprüfbare Bedingung angegeben werden, oder genügt ein Vorschlag mit Quellenangabe?
- Ausnahmen: Sind es seltene, klar begrenzte Fälle, oder nehmen sie so stark zu, dass die Regeln zu einem schwer wartbaren Geflecht werden?
- Betriebsaufwand: Wie viel Aufwand erfordert es, die Lösung zu konfigurieren, zu validieren, zu beobachten und zu aktualisieren?
Es gibt keinen allgemeingültigen Schwellenwert dafür, wann eine Aufgabe von Regeln auf KI umgestellt werden sollte. Die Wahl hängt von den Auswirkungen möglicher Fehler, der tatsächlichen Variabilität der Daten und der Fähigkeit ab, Fälle zu bearbeiten, die das System nicht löst. Dokumentieren Sie diese Annahmen: Ohne sie lässt sich eine technologische Präferenz leicht mit einem betrieblichen Bedarf verwechseln.
Entwerfen Sie eine hybride Lösung mit klaren Grenzen
Ein hybrider Ansatz kann Regeln für die Kontrolle objektiver Bedingungen vorsehen und KI zur Interpretation mehrdeutiger Informationen einsetzen. Bei einer hypothetischen Datenextraktion könnte ein Modell Werte vorschlagen, die es in einem Text gefunden hat. Anschließend prüfen Regeln, ob diese vorhanden sind, ein gültiges Format haben und innerhalb festgelegter Grenzen liegen. Schlägt eine Prüfung fehl, darf der Ablauf den Vorschlag nicht als bestätigte Angabe behandeln.
Bei der Klassifizierung von Nachrichten könnte die KI anhand des Inhalts eine Kategorie vorschlagen. Regeln können Kategorien verwalten, die direkt aus strukturierten Feldern abgeleitet werden müssen, und festlegen, was geschieht, wenn Informationen fehlen oder der Vorschlag nicht ausreichend verlässlich ist. In beiden Fällen müssen Sie bestimmen, wer das Ergebnis weiterverarbeitet, wie es protokolliert wird und ob sich eine spätere Aktion rückgängig machen lässt.
Legen Sie Grenzen fest, die nicht von einer probabilistischen Interpretation abhängen: Berechtigungen, zulässige Wertebereiche, Pflichtfelder und Bedingungen, die den Ablauf stoppen. Die KI kann eine Interpretation beisteuern; Regeln können verhindern, dass eine unsichere Interpretation einen nicht erlaubten Vorgang auslöst. Wenn menschliche Kontrolle Teil des Prozesses ist, sollte sie als konkreter Ablauf vorgesehen werden und nicht als vage Lösung für sämtliche Fehler dienen.
So prüfen Sie Ihre Wahl und erkennen, wann sie geändert werden sollte
Stellen Sie repräsentative Fälle zusammen, bevor Sie eine Strategie als geeignet einstufen: häufige Eingaben, unterschiedliche Formulierungen, unvollständige Daten, unerwartete Formate und Beispiele, die keine automatische Entscheidung auslösen sollten. Prüfen Sie die Qualität der Interpretation und das Verhalten der Validierungen getrennt. Erfassen Sie Fehler nach Typ, Datenquelle und dem Schritt, in dem sie aufgetreten sind.
Eine regelbasierte Strategie benötigt möglicherweise eine Interpretationsebene, wenn Ausnahmen zunehmen, Bedingungen sich überschneiden oder das Team immer mehr Aufwand betreiben muss, um sprachliche Varianten abzudecken. Bei einer KI-Lösung können zusätzliche Regeln – oder eine Rückkehr zu ausdrücklich festgelegten Bedingungen – erforderlich sein, wenn Fehler vor allem bei klaren Kriterien auftreten, Ausgaben Grenzen überschreiten oder Entscheidungen unbedingt erklärbar sein müssen. Keine dieser Anzeichen bedeutet, dass die Strategie automatisch geändert werden sollte: Ermitteln Sie zunächst Ursache und Auswirkungen.
Dokumentieren Sie Ihre Entscheidung anhand der folgenden Fragen:
- Welche konkrete Aufgabe automatisiert dieser Schritt, und welches Ergebnis soll er liefern?
- Welcher Teil der Eingabe ist strukturiert, und welcher muss interpretiert werden?
- Welche Fehler sind am kostspieligsten, und wie lassen sie sich erkennen, bevor der Ablauf fortgesetzt wird?
- Welche Validierungen sind obligatorisch, und unter welchen Umständen wird der Ablauf angehalten?
- Wie werden Ausnahmen überprüft, und welche Belege helfen dabei, den Entwurf zu korrigieren?
Die robusteste Wahl kann verschiedene Mechanismen kombinieren, sollte dies aber nicht automatisch tun. Verwenden Sie Regeln, wenn Kriterien ausdrücklich festgelegt und stabil sind, ziehen Sie KI in Betracht, wenn die Variabilität es erschwert, ausreichende Bedingungen zu formulieren, und richten Sie an den Grenzen Validierungen ein. So lässt sich jeder Schritt nachvollziehbar begründen und es gibt einen Plan für den Fall, dass die zugrunde liegenden Annahmen nicht mehr gelten.