[{"data":1,"prerenderedAt":94},["ShallowReactive",2],{"content:blog:regeln-in-den-code-nicht-ins-modell":3,"content:blog":33},{"slug":4,"title":5,"subtitle":6,"date":7,"metaTitle":8,"metaDescription":9,"excerpt":10,"readingMinutes":11,"tags":12,"toc":16,"body":32},"regeln-in-den-code-nicht-ins-modell","Was ins Sprachmodell gehört und was in den Code: zwei Abläufe aus einer KI-Beratung","Warum die ehrliche Antwort oft lautet, dass ein Sprachmodell nur einen Teil der Arbeit übernehmen sollte – und woran man diesen Teil erkennt","2026-08-27","Sprachmodell oder Code: was eine KI-Beratung klären sollte","Zwei echte Abläufe: warum Zahlungsdaten und feste Regeln in den Code gehören, freie Sprache ins Sprachmodell – und wo ein Blick aufs Formular mehr bringt.","Wer eine KI-Beratung beauftragt, erwartet oft eine Liste von Stellen, an denen ein Sprachmodell eingesetzt wird. An zwei Abläufen eines Lebensmittelbetriebs zeigen wir, warum die nützlichere Antwort eine Trennlinie ist: was das Modell tun soll, was fester Code tun muss und wo nicht die Technik, sondern ein Blick auf das Formular die Lösung war.",5,[13,14,15],"KI","Beratung","Arbeitsweise",[17,20,23,26,29],{"id":18,"text":19},"frage","Die falsche Frage: wo passt ein Sprachmodell?",{"id":21,"text":22},"bestellungen","Ablauf eins: Antworten auf Bestellanfragen",{"id":24,"text":25},"stundenzettel","Ablauf zwei: handschriftliche Stundenzettel",{"id":27,"text":28},"trennlinie","Was ins Sprachmodell gehört: drei Fragen",{"id":30,"text":31},"grenze","Was wir dabei nicht leisten konnten","\u003Cp>Eine KI-Beratung ist dann nützlich, wenn sie nicht nur sagt, wo ein Sprachmodell hilft, sondern auch, welcher Teil eines Ablaufs ausdrücklich nicht ins Modell gehört. An zwei Abläufen einer Unternehmensgruppe aus Lebensmittelproduktion und Filialhandel zeigen wir, wie diese Trennlinie aussieht: feste Regeln in den Code, freie Sprache ins Modell, und manchmal eine Einsicht statt Technik.\u003C\u002Fp>\u003Ch2 id=\"frage\">Die falsche Frage: wo passt ein Sprachmodell?\u003C\u002Fh2>\u003Cp>Die erste Frage lautet fast immer: Wo können wir KI einsetzen? Sie ist verständlich und führt trotzdem in die falsche Richtung. Wer so fragt, bekommt eine Liste von Werkzeugen und Einsatzorten, und jede Aufgabe auf dieser Liste soll möglichst vollständig vom Modell übernommen werden.\u003C\u002Fp>\u003Cp>In der Praxis besteht aber fast jeder Ablauf aus zwei Arten von Arbeit. Die eine ist unscharf: Kunden schreiben, wie sie wollen, Formulare sind unleserlich, Anfragen mischen drei Themen. Die andere ist scharf: Preise, Kontodaten, Abholorte, gesetzliche Pflichtangaben. Ein Modell ist stark bei der ersten Art und unzuverlässig bei der zweiten. Die nützlichere Frage lautet deshalb: Welcher Teil dieses Ablaufs ist unscharf, und welcher darf niemals falsch sein?\u003C\u002Fp>\u003Ch2 id=\"bestellungen\">Ablauf eins: Antworten auf Bestellanfragen\u003C\u002Fh2>\u003Cp>Im ersten Ablauf ging es um Anfragen von Kunden, die Torten bestellen wollten. Eine KI-Rezeption erstellte Antwortentwürfe, die ein Mitarbeiter prüfte. Die Entwürfe folgten teils veralteten Regeln, denn das eigentliche Wissen lag im Kopf des Filialleiters: 50 Regeln zu Preisen, Sorten, Zahlungen und Formulierungen, über ein Jahr gesammelt.\u003C\u002Fp>\u003Cp>Die Versuchung war, alle 50 Regeln in die Wissensbasis zu schreiben und dem Modell zu vertrauen. Genau das haben wir nur zur Hälfte getan. Die Regeln wurden am selben Tag strukturiert in die Wissensbasis geladen, veraltete Einträge markiert. Zahlungsdaten und die Frage, wann sie in einer Antwort erscheinen dürfen, haben wir aber zusätzlich im Code abgesichert. Das Modell darf formulieren; ob eine Kontoverbindung in den Entwurf kommt, entscheidet eine feste Regel, und zwar erst in der finalen Bestätigung.\u003C\u002Fp>\u003Cp>Vor der Freigabe liefen die Entwürfe im Schattenbetrieb an fünf echten Dialogen mit. Ein Fall aus dem Echtbestand zeigt, warum die Mischung trägt: Ein Kunde fragte nach einer Torte, die es nicht gibt. Der Entwurf erfand nichts, sondern bot die tatsächliche Sortenliste an. Wie man einen solchen Versuch aufsetzt, beschreibt der Beitrag zum \u003Ca href=\"\u002Flexikon\u002Fki-pilotprojekt\">KI-Pilotprojekt\u003C\u002Fa>.\u003C\u002Fp>\u003Ch2 id=\"stundenzettel\">Ablauf zwei: handschriftliche Stundenzettel\u003C\u002Fh2>\u003Cp>Im zweiten Ablauf lagen die geleisteten Arbeitsstunden nur als Fotos handschriftlicher Formulare vor. In der Datenbank standen Einträge, dass ein Stundenzettel abgegeben wurde, aber kein einziger Stundenwert. Die naheliegende Idee: Ein Modell liest jedes Foto und trägt die Stunden ein.\u003C\u002Fp>\u003Cp>Die entscheidende Verbesserung kam jedoch nicht vom Modell, sondern von einem Blick auf das Formular. Der Vordruck wird monatlich und fortlaufend geführt: Jede neue Aufnahme enthält alle bisherigen Einträge des Monats. Wer jedes Foto auswertet, liest dieselben Stunden mehrfach und muss sie danach mühsam entdoppeln. Ausgewertet wird deshalb je Person nur das letzte Foto im Monat. Statt 3 299 Bildern waren es 203.\u003C\u002Fp>\u003Cp>Das Modell liest diese Bögen, die Werte werden je Person und Tag zusammengeführt, und die Lohnbuchhaltung prüft sie, bevor abgerechnet wird. Die Einsicht über das Formular hat die Menge der Arbeit um mehr als eine Größenordnung verringert, bevor überhaupt die Frage nach dem besten Modell gestellt wurde.\u003C\u002Fp>\u003Ch2 id=\"trennlinie\">Was ins Sprachmodell gehört: drei Fragen\u003C\u002Fh2>\u003Cp>Aus beiden Abläufen ergeben sich drei Fragen, die wir in jeder KI-Beratung stellen:\u003C\u002Fp>\u003Col>\u003Cli>\u003Cstrong>Was darf niemals falsch sein?\u003C\u002Fstrong> Beträge, Kontodaten, Fristen, Pflichtangaben. Diese Teile gehören in Code mit Tests, nicht in eine Anweisung an ein Modell.\u003C\u002Fli>\u003Cli>\u003Cstrong>Wo ist die Eingabe unscharf?\u003C\u002Fstrong> Freie Texte, Handschrift, gemischte Anfragen. Hier bringt ein Modell echten Nutzen, mit einem Menschen, der das Ergebnis prüft, bevor es wirkt.\u003C\u002Fli>\u003Cli>\u003Cstrong>Hat jemand den Ablauf selbst angesehen?\u003C\u002Fstrong> Bevor über Modelle gesprochen wird, lohnt der Blick auf Formulare, Datenquellen und Gewohnheiten. Manchmal steckt die Lösung dort.\u003C\u002Fli>\u003C\u002Fol>\u003Cp>Diese Fragen führen oft zu weniger KI als erwartet und zu besseren Ergebnissen. Wie man Anwendungsfälle systematisch bewertet, zeigt der Beitrag zu \u003Ca href=\"\u002Flexikon\u002Fki-use-cases\">KI-Use-Cases\u003C\u002Fa>; was wir in einer Beratung konkret tun, die Seite \u003Ca href=\"\u002Fleistungen\u002Fki-beratung\">KI-Beratung\u003C\u002Fa>.\u003C\u002Fp>\u003Ch2 id=\"grenze\">Was wir dabei nicht leisten konnten\u003C\u002Fh2>\u003Cp>Zur Ehrlichkeit gehört auch die Grenze. Das Modell liest Handschrift gut, aber nicht fehlerfrei, und ein Wert, der auf dem Foto kaum zu erkennen ist, bleibt unsicher. Deshalb endet der Ablauf nicht bei der KI, sondern bei der Lohnbuchhaltung, die jeden Monat prüft. Wer eine vollautomatische Abrechnung aus Fotos erwartet, bekommt von uns diese Antwort: Das ist heute kein verantwortbarer Zustand, und wir bauen ihn nicht.\u003C\u002Fp>\u003Cp>Auch bei den Bestellanfragen bleibt ein Mitarbeiter in der Schleife. Die Entwürfe folgen allen 50 Regeln, doch Kunden stellen immer wieder Fragen, die in keiner Regel stehen. Für diese Fälle ist der Mensch nicht die Notlösung, sondern Teil des Entwurfs.\u003C\u002Fp>",[34,58,66],{"slug":35,"title":36,"subtitle":37,"date":38,"metaTitle":39,"metaDescription":40,"excerpt":41,"readingMinutes":42,"tags":43,"toc":45},"vertraulichkeit-vor-der-ersten-zeile-code","Vertraulichkeit vor der ersten Zeile Code: was ein Sprachmodell sehen darf","Fünf Schritte vom ersten Termin bis zum Betrieb – und der Satz über amerikanische Anbieter, den wir lieber vorher sagen als hinterher","2026-09-10","Vertraulichkeit im KI- und App-Projekt: fünf Schritte","Vertraulichkeit im App- oder KI-Projekt: Geheimhaltung vor dem Termin, Beispieldaten, AVV und was ein Sprachmodell sehen darf – Schritt für Schritt.","Die meisten Fragen zu Daten und Geheimhaltung werden in Projekten zu spät gestellt, meist dann, wenn das erste Muster schon mit echten Kundendaten läuft. Wir beschreiben die Reihenfolge, in der wir diese Fragen klären, und wo die Grenzen dessen liegen, was wir zusagen können.",4,[15,44,13],"Datenschutz",[46,49,52,55],{"id":47,"text":48},"zu-spaet","Warum Vertraulichkeit meist zu spät kommt",{"id":50,"text":51},"schritte","Fünf Schritte vom ersten Termin bis zum Betrieb",{"id":53,"text":54},"modellanbieter","Der Satz über Modellanbieter",{"id":56,"text":57},"grenzen","Vertraulichkeit: was wir zusagen und was nicht",{"slug":4,"title":5,"subtitle":6,"date":7,"metaTitle":8,"metaDescription":9,"excerpt":10,"readingMinutes":11,"tags":59,"toc":60},[13,14,15],[61,62,63,64,65],{"id":18,"text":19},{"id":21,"text":22},{"id":24,"text":25},{"id":27,"text":28},{"id":30,"text":31},{"slug":67,"title":68,"subtitle":69,"date":70,"metaTitle":71,"metaDescription":72,"excerpt":73,"readingMinutes":42,"tags":74,"toc":78},"dashboard-mit-luecke","Ein Dashboard, dem der Inhaber nicht glaubte: 13 618 bezahlte Bestellungen fehlten","Warum eine Zahl ohne Angabe, was sie enthält, schlimmer ist als keine Zahl – und was wir beim Umbau bewusst weggelassen haben","2026-08-06","Dashboard mit Lücke: 13 618 Bestellungen sichtbar gemacht","Ein Dashboard zeigte nur Großhandelsbestellungen, die Onlineshops fehlten. Wie wir es umgebaut haben und warum jede Zahl sagt, was sie enthält und was nicht.","Eine Unternehmensgruppe aus der Lebensmittelbranche sah auf ihrem Dashboard eine Umsatzzahl, die der Inhaber selbst für unvollständig hielt. Er hatte recht: Die Bestellungen zweier Onlineshops fehlten ganz. Der Umbau zeigt, warum ein Bildschirm mit Zahlen eine Anwendung ist und keine hübschere Tabelle.",[75,76,77],"App-Entwicklung","Datenqualität","Projektpraxis",[79,82,85,88,91],{"id":80,"text":81},"ausgangslage","Das Dashboard und die Zahl, die nicht stimmte",{"id":83,"text":84},"ursache","Warum die Lücke niemandem auffiel",{"id":86,"text":87},"umbau","Was wir am Dashboard geändert haben",{"id":89,"text":90},"weggelassen","Was wir bewusst nicht gebaut haben",{"id":92,"text":93},"lehre","Was daraus für jede interne Anwendung folgt",1789379025151]