KI oder Regel: Wann sich ein LLM für eine Aufgabe lohnt

KI oder Regel: Woran du erkennst, ob sich ein LLM für eine Aufgabe lohnt. Vier Kriterien, drei Beispiele, Hybrid-Muster und Fälle, in denen ich davon abrate.

Die Situation: KI oder Regel — wann lohnt sich ein LLM?

Jeden Morgen landen Mails, Belege oder Formulare bei einer Person im Büro. Sie schaut drauf, sortiert, leitet weiter, tippt manchmal etwas ab. Irgendwann sagt jemand: „Da müsste man doch KI draufsetzen.“

Die kurze Antwort auf die Frage „KI oder Regel — wann lohnt sich ein LLM?“: Folgt die Aufgabe einer strikten Logik, ist KI meist überdimensioniert [1]. Dann gewinnt die Regel, denn Regeln sind schnell, transparent und ideal für stabile Abläufe [2]. Steckt die entscheidende Information dagegen in Fließtext oder in Dokumenten, die jedes Mal anders aussehen, wird ein Sprachmodell interessant [1].

Und bevor du über ein Modell nachdenkst, lohnt sich die Prüfung, ob eine eindeutige, deterministische Lösung möglich ist [3].

Meistens ist es kein Entweder-oder, sondern eine Reihenfolge: erst die Regel, dann das Modell für den Rest. Wenn du vorher einen Überblick willst, wo sich KI im Mittelstand wirklich lohnt, fängst du besser dort an. Hier geht es um die Entscheidung für eine einzelne Aufgabe.

Was eine Regel kann — und was ein LLM anders macht

Regelbasiert heißt: fest definierte Wenn-dann-Schritte. Gleiche Eingabe, gleiches Ergebnis — das nennt man deterministisch. Solche Abläufe sind schnell, transparent und ideal für stabile Prozesse [2]. Für viele Aufgaben reichen genau diese klar definierten Arbeitsschritte aus [3].

Ein LLM, also ein Sprachmodell, arbeitet statistisch. Es erkennt Muster in Text und kommt dort weiter, wo menschliches Textverstehen gefragt ist [1]. Es liefert aber keine garantiert identische Ausgabe.

Klassische Systeme scheitern genau dann, wenn Daten im Fließtext versteckt sind oder Dokumente jedes Mal anders aufgebaut sind [1]. Statistische Automatisierung ist deshalb erst dann erwägenswert, wenn eine deterministische Lösung nicht mehr möglich ist [3]. Oder wenn sie sich wirtschaftlich nicht mit der Nutzungsdauer verträgt [3].

Vier Kriterien, mit denen ich die Entscheidung treffe

Kriterium	Frage	Eher Regel	Eher LLM
Eindeutigkeit	Lässt sich die Logik in fünf Sätzen aufschreiben?	ja, ohne Ausnahmenflut	nein, Sonderfälle dominieren
Fehlertoleranz	Was kostet ein Fehler?	Fehler wäre folgenschwer	Korrektur in Sekunden möglich
Prüfaufwand	Muss jede Ausgabe geprüft werden?	Prüfung ohnehin nötig	Stichproben genügen
Betriebskosten	Was kostet der Dauerbetrieb?	stabil, wartungsarm	Aufwand für Daten und Infrastruktur

Eindeutigkeit. Wenn dir beim Aufschreiben der Regel sofort zehn Ausnahmen einfallen, ist die Aufgabe nicht eindeutig. Folgt sie dagegen einer strikten Logik, ist KI in der Regel überdimensioniert [1].

Fehlertoleranz. Landet eine Mail im falschen Postfach, korrigiert das jemand in zehn Sekunden. Wird eine Position falsch verbucht, sieht es anders aus. Bei hohem Schaden gehört keine statistische Entscheidung ohne Kontrollschritt in den Prozess.

Prüfaufwand. Wenn jede Modellausgabe ohnehin händisch geprüft wird, hast du Arbeit verschoben, nicht eingespart. Das ist eine ehrliche Rechnung, die vor das Projekt gehört.

Betriebskosten. Bei KI-Lösungen liegen die Kosten oft höher in der Implementierungs- und Trainingsphase — durch Datenaufbereitung, Labeling und Infrastruktur [2]. Nach meiner Erfahrung kommt die Anbindung an die bestehenden Systeme als eigener Posten dazu. Regeln sind dagegen stabil und günstig im Unterhalt; KI skaliert dort, wo Komplexität und Unstrukturiertheit zunehmen [2].

Drei typische Aufgaben durchentschieden

E-Mails sortieren. Kommen die Mails von festen Absendern mit festem Betreffmuster, reicht eine Regel — wenige Zeilen, jahrelang stabil. Sind es freie Kundenanfragen mit wechselndem Wortlaut, brauchst du Textverständnis, und genau dafür sind Sprachmodelle stark [1].

Freitext auswerten. Feedback, Notizen, Anfragen: hier gibt es keine festen Felder, nur Muster. Ein klassischer Fall für ein Modell [1]. Passend dazu sind Text Mining, Spracherkennung und die Erzeugung natürlicher Sprache die am häufigsten genutzten KI-Technologien [4].

Rechnungspositionen prüfen. Meine fachliche Einordnung: Rechenlogik und Abgleich mit der Bestellung gehören in eine Regel — das ist Mathematik, kein Ratespiel. Die KI-Aufgabe ist das Herauslesen der Positionen aus wechselnden Dokumentlayouts, also Dokumentenextraktion und OCR. Wie so ein Ablauf praktisch aussieht, zeigt das Beispiel Belegverarbeitung in einer Zahnarztpraxis.

Der Hybrid-Fall: Regel zuerst, LLM für den Rest

Das Muster, das in der Praxis am besten trägt: Alles Eindeutige läuft über Regeln, nur die Restmenge geht an ein Modell. Das begrenzt Kosten und Prüfaufwand gleichzeitig. Hybrid-Ansätze verbinden die Stärken beider Seiten und bieten oft das beste Kosten-Nutzen-Verhältnis [2].

Dazu gehört eine Kontrollinstanz: Schwellwerte für unsichere Fälle, ein Vier-Augen-Schritt, Protokollierung der Entscheidungen. Wenn du ohnehin am Anfang stehst, hilft der Blick darauf, welche Prozesse sich zuerst automatisieren lassen.

Zum Datenschutz nur die Einordnung: Welche Daten überhaupt an ein Modell gehen und wo es läuft — Cloud oder On-Premise —, ist zuerst eine Architekturentscheidung. Die trifft man bewusst und nicht nebenbei. Die juristische Bewertung gehört zu deiner Fachberatung, nicht in einen Blogartikel.

Wann ich von einem KI-Projekt abrate

Wenn die Datenbasis fehlt. KI braucht Zugriff auf relevante, strukturierte Daten [5]. In Betrieben, in denen alles in manuell gepflegten Excel-Dateien liegt, stiftet auch die beste KI kaum Mehrwert [5].
Wenn die Aufgabe strikter Logik folgt. Dann ist KI überdimensioniert [1], und eine deterministische Lösung ist die bessere erste Wahl [3].
Wenn die Entscheidung folgenschwer ist. Für Bereiche wie medizinische Analysen oder Risikomanagement sind Allrounder-Modelle ungeeignet [3].
Wenn „wir müssen was mit KI machen“ das eigentliche Ziel ist. KI automatisiert kein Unternehmen auf einen Schlag [5].

Und zur Einordnung, falls du das Gefühl hast, spät dran zu sein: Aktuell nutzen 29 % der Unternehmen KI, bei mittleren Unternehmen sind es 45 %, bei Kleinstunternehmen 28 % [6]. Genau hinsehen statt schnell einsteigen ist also kein Ausreißerverhalten.

Fazit: Dein nächster Schritt

Nimm eine konkrete Aufgabe aus deinem Alltag und schreibe die Regel in fünf Sätzen auf. Gelingt das ohne Ausnahmenliste, brauchst du kein Modell — du brauchst ein kleines Stück Software.

Gelingt es nicht, starte klein: Umfang, Prüfschritt und Abbruchkriterien vorher festlegen. Dazu gehört auch, intern zu klären, wer KI wofür nutzen darf. Bei vielen Betrieben ist das noch offen: 15 % haben Regeln zur KI-Nutzung festgelegt, 23 % wollen noch welche aufstellen [7].

Du bist unsicher, auf welcher Seite der Grenze deine Aufgabe liegt? Dann schauen wir im kostenlosen Erstgespräch gemeinsam drauf — auch mit dem Ergebnis, dass sich ein Modell nicht lohnt. Mehr zum Vorgehen findest du bei KI-Integration und Beratung, was sich lohnt.

Quellen

Wann sollte man KI einsetzen und wann nicht? Der Praxis-Guide — lorent-online.com
KI vs. Regelbasierte Systeme: Wann lohnt sich welche Automatisierungslösung? — Flagbit Digitalagentur
Wann der Einsatz von KI sinnvoll ist — it-daily.net
KI-Verordnung, NIS-2-Richtlinie und Cyber Resilience Act / KI-Nutzung im Mittelstand — Mittelstand-Digital (BMWK-Förderprogramm)
KI im Unternehmen: Was wirklich funktioniert – und was nicht — Table.Briefings
KI in Unternehmen - Einsatz, Ressourcen und Herausforderungen — Bundesnetzagentur
Der IT-Mittelstand in Deutschland - IT-Mittelstandsbericht 2024 — Bitkom