Die häufigste Frage in KI-Erstgesprächen lautet: Welches Modell nehmen wir?

Die Frage, die Geld spart, ist eine andere: Auf welcher Stufe gehört dieser Fall gelöst?
Ich arbeite seit Jahren mit einer einfachen Eskalationslogik. Drei Stufen, und man beginnt immer unten.

Stufe 1: Regeln

• Der Fall ist eindeutig beschreibbar, die Fachabteilung kann die Entscheidung in einem Satz formulieren
• Nachvollziehbar, testbar, revisionssicher, keine Trainingsdaten nötig
• Wenn hier ein großer Teil der Fälle durchläuft, ist das kein Rückschritt, sondern die Basis

Stufe 2: Klassisches ML

• Die Entscheidung hängt an Mustern, die niemand vollständig ausformulieren kann, aber es gibt historische Daten mit bekanntem Ergebnis
• Klassifikation, Extraktion, Scoring: schmal im Scope, messbar, mit Konfidenz und definierter Übergabe an den Menschen
• Voraussetzung ist Datenqualität, nicht Modellgröße

Stufe 3: LLM

• Sprache ist offen, die Varianz zu groß, es gibt keine saubere Zielgröße
• Stark beim Formulieren, Zusammenfassen und Übersetzen zwischen Formaten
• Teuer in Betrieb, Governance und Evaluierung, deshalb zuletzt und nie als Ersatz für Stufe 1

Der teure Fehler passiert nicht bei der Modellauswahl. Er passiert, wenn Stufe 3 einen Prozess übernimmt, den vorher niemand aufgeräumt hat. Dann automatisiert man Unklarheit zu höheren Stückkosten.

In einem Versicherungsumfeld, das ich begleiten durfte, kam der Großteil der Dunkelverarbeitung aus Stufe 1 und Stufe 2. Die spannenden Modelle waren nicht der Hebel. Der Hebel war ein Prozess, den wir vorher entscheidbar gemacht haben.
Enterprise AI scheitert selten an der Technologie. Es scheitert an der Prozess- und Organisationsarbeit, die vorher niemand machen wollte.

Transparenzhinweis: Beschreibt meine eigene Praxis aus Projekten in Versicherung und Industrie, keine externe Quelle.