Ein Schweizer Taschenmesser ist ein Multitool und hat ein weites Einsatzfeld. Es kann schneiden, schrauben, sägen und Flaschen öffnen. Eine Küche baue ich trotzdem nicht damit. Da nehme ich die Säge, wenn gesägt wird, und den Akkuschrauber, wenn geschraubt wird.
Bei der Automatisierung von Geschäftsprozessen mit KI kommt es dagegen vor, dass ein einziges Modell einen ganzen Ablauf verantwortet, vom Lesen der Unterlagen bis zur Buchung oder vom Bewerbungseingang bis zur Einladung.
Was wäre, wenn stattdessen wie im Beispiel mit dem Küchenbau entsprechende Spezialisten eingesetzt werden?
Voraussetzung dafür sind Detailkenntnisse des Prozesses (Froschperspektive) und die Fähigkeit, diesen modular zu denken (Vogelperspektive).
Wer den Prozess versteht und in Teilschritte zerlegt, kann jedem Schritt die einfachste Technik und das passende Werkzeug zuordnen. Die Bearbeitung wird dadurch nach meiner Erfahrung schneller, reproduzierbarer und günstiger.
Warum ein Modell für alles?
Der Reflex ist verständlich. Ein großes Modell liest Texte und Tabellen, formuliert Antworten und ist ohne eigene Trainingsdaten sofort einsatzbereit. Warum also zerlegen, wenn doch ein Werkzeug scheinbar alles am Stück erledigt?
Die Erwartungen halten der Praxis oft nicht stand. Gartner erwartet, dass über 40 % der Projekte mit sogenannter agentischer KI bis Ende 2027 aufgrund steigender Kosten, unklaren Nutzens oder unzureichender Risikokontrolle eingestellt werden (Gartner, 2025). Auch Anthropic empfiehlt Entwicklern, die einfachste mögliche Lösung zu suchen und Komplexität nur dann zu erhöhen, wenn es nötig ist (Anthropic, 2024). Dex Horthy, CEO von HumanLayer, kommt aus Gesprächen mit anderen Gründern zu einem ähnlichen Befund. KI-Systeme, die im Betrieb gut funktionieren, bestehen nach seiner Beobachtung überwiegend aus gewöhnlicher Software und ein Sprachmodell (LLM) kommt nur an gezielten Stellen zum Einsatz (Horthy, 2025).
Warum modular denken?
Die Frage, welche KI ein Prozess braucht, ist damit zu einfach gestellt. Um sie für jeden Arbeitsschritt einzeln zu beantworten, ist es notwendig, den Prozess zu kennen. Jeder Schritt verrichtet meist eine spezifische Art von Arbeit und hat damit eigene Anforderungen, wenn zum Beispiel ein Rezept für vier Personen auf vierhundert skaliert werden soll oder eine Antwort feststeht, weil ein Gesetz oder eine Compliance-Regel diese vorgibt. Oder es wird Erfahrung benötigt, etwa um abzuschätzen, wie viel von einem neuen Produkt in den ersten Wochen nach Einführung verkauft wird, oder Verständnis für Zusammenhänge, weil die Informationen nur als Freitext oder Skizze vorliegen. Aus dieser Unterscheidung ergibt sich eine Reihenfolge.
Was sich rechnen lässt, wird gerechnet. Was eine Regel festlegt, wird als Regel programmiert. Was geschätzt wird, übernimmt ein Modell, das genau dafür gebaut ist. Dort, wo Sprache oder Bilder gedeutet werden, kommt ein LLM zum Zug.
Spezialisiert heißt dabei nicht zwingend klassisch. Ein spezialisiertes Modell kann ein einfaches statistisches Verfahren sein oder ein neuronales Netz. Entscheidend ist, dass es nur eine Art von Aufgabe löst.
Warum funktioniert das gut?
Wie das aussehen kann, zeigt ein Beispiel. Ein neues Lebensmittelprodukt soll aus der Entwicklung in die Produktion gehen. Die Entwicklung liefert Rezeptur, Verfahren und Messwerte als PDF, Textdokument und Tabelle, dazu Fließdiagramme. Die Produktion braucht daraus skalierte Rezepturen für Chargenmengen, Geräteeinstellungen zur Pasteurisierung oder Autoklavierung, Buchungen in der Warenwirtschaft und eine Checkliste zur Erfüllung von HACCP und Bio-Richtlinien.
Die Dokumente werden durch ein OCR-fähiges Werkzeug ausgelesen und die Dokumentenerkennung erfasst Text, Tabellen und Layout. Die Fließdiagramme liegen in diesem Beispiel nur als Bild vor. Hier ist ein Sprachmodell mit Bildverständnis sinnvoll, denn es muss Pfeile, Kästen und Beschriftungen deuten.
Die Umrechnung der Laborrezeptur auf Chargengröße ist reine Berechnung. Wie viele Chargen für den Start hergestellt werden, hängt davon ab, wie viel sich verkaufen wird. Dafür gibt es keine Formel. Hier unterstützt ein Modell, das auf den Absatzzahlen früherer Produkteinführungen trainiert wird. Es sucht die ähnlichsten Vorgänger und leitet aus ihnen eine Schätzung ab, sodass jeder Vorschlag auf konkrete Vorgänger verweist.
Aus der Konsistenz des Produkts folgt die Abfülltechnik und diese Zuordnung ist eine Regel. Die Dauer der Erhitzung zur Haltbarmachung ist in der Hygieneplanung nach HACCP ein kritischer Kontrollpunkt und Grenzwerte an solchen Punkten müssen unbedingt validiert sein (Codex Alimentarius Commission, 2020). Ein Modell darf hier einen Startwert vorschlagen, der gültige Wert wird berechnet und durch Messung bestätigt. Die Buchungen laufen über eine Schnittstelle, die bei einer Wiederholung nicht doppelt bucht. Am Ende gibt die Qualitätssicherung frei.
In dieser Kette arbeitet das Sprachmodell an einer Stelle, bei den Diagrammen, und hilft allenfalls beim Lesen von Verfahrenstexten. Die übrigen Schritte übernehmen die Dokumentenerkennung, ein Schätzmodell auf eigenen Daten, Berechnung, Regeln oder der Mensch.
Was ist der Vorteil der modularen Herangehensweise?
Die Zerlegung kostet einmal Arbeit, ihr Nutzen fällt bei jedem Durchlauf des Prozesses an. Der erste Gewinn liegt bei Geschwindigkeit und Kosten. Eine Berechnung oder Regel braucht gar kein Modell, dafür genügt gewöhnlicher Programmcode. Für eng umrissene, wiederkehrende Aufgaben argumentieren Forscher von NVIDIA, dass kleine Modelle ausreichend leistungsfähig und im Betrieb wirtschaftlicher sind als große Allzweckmodelle (Belcak et al., 2025). Anfragen nur dann an große Modelle zu geben, wenn ein kleineres nicht genügt, senkt die Kosten erheblich (Chen et al., 2024). Bei der Einordnung von Texten schneiden feinjustierte kleine Lösungen zudem oft besser ab als große Modelle ohne Anpassung (Bucher & Martini, 2024).
Der zweite Gewinn ist Reproduzierbarkeit. LLMs liefern auf identische Anfragen nicht zuverlässig identische Antworten. Das gilt auch dann, wenn alle Zufallsparameter auf null stehen (He, 2025). Liest ein Sprachmodell dieselbe Rezeptur zweimal, kann es zwei leicht verschiedene Ergebnisse liefern. Landet eine davon in der Buchung, wirkt sich die Abweichung direkt aus. Ein Taschenrechner dagegen kommt bei vier mal hundert immer auf vierhundert. Deshalb gehört das LLM an die Stelle, wo gelesen und gedeutet wird. Die Schwankung ist damit nicht verschwunden. Sie steckt aber nur in einem Schritt und dort lässt sie sich gezielt prüfen.
Was ist der Aufwand einer modularen Herangehensweise?
Das Zerlegen eines Prozesses ist aufwendig. Es setzt voraus, dass jemand den Prozess wirklich versteht. Dieses Wissen steckt oft in den Köpfen der Mitarbeitenden statt in Dokumenten. Wer einmal versucht hat, das Bauchgefühl einer erfahrenen Schichtleitung in Regeln zu fassen, weiß, wie mühsam eine solche Modellierung ist.
Wo Erfahrung gefragt ist, kann KI aus Daten früherer Fälle lernen. Regeln braucht es dort, wo eine Vorschrift oder die Technik sie ohnehin vorgibt. Dazu kommt der Pflegeaufwand. Mehrere Komponenten bedeuten mehrere Schnittstellen, Versionen und Trainingsstände. Und nicht jeder Prozess lässt sich zerlegen. Manche Aufgaben verlaufen jedes Mal anders, etwa eine Reklamation, bei der erst die Antwort des Kunden zeigt, was als Nächstes zu tun ist. Dort haben KI-Agenten, die ihren Weg selbst wählen, ihre Berechtigung (Anthropic, 2024).
Fazit
Aus meiner Sicht ist die geeignetere Frage nicht, welches Modell einen Prozess automatisiert, sondern welche Tätigkeit jeder einzelne Schritt verlangt. Erst danach erfolgt die Wahl der geeigneten Modelle. Wer diese Frage beantworten kann, wird Ressourcen einsparen und die Fehlerstreuung verringern. Das Sprachmodell wird dann vom Alleskönner zum festen Teil des Teams mit klar umrissener Zuständigkeit.
Das Schweizer Taschenmesser bleibt natürlich für alle Fälle immer in der Tasche und außerdem ist es einfach nur chic.
Quellen
- Anthropic. (2024). Building effective agents. https://www.anthropic.com/engineering/building-effective-agents
- Belcak, P., Heinrich, G., Diao, S., Fu, Y., Dong, X., Muralidharan, S., Lin, Y. C., & Molchanov, P. (2025). Small language models are the future of agentic AI. arXiv. https://arxiv.org/abs/2506.02153
- Bucher, M. J. J., & Martini, M. (2024). Fine-tuned ‘small’ LLMs (still) significantly outperform zero-shot generative AI models in text classification. arXiv. https://arxiv.org/abs/2406.08660
- Chen, L., Zaharia, M., & Zou, J. (2024). FrugalGPT: How to use large language models while reducing cost and improving performance. Transactions on Machine Learning Research. https://arxiv.org/abs/2305.05176
- Codex Alimentarius Commission. (2020). General principles of food hygiene (CXC 1-1969). FAO/WHO.
- Gartner. (2025, 25. Juni). Gartner predicts over 40% of agentic AI projects will be canceled by end of 2027 (Pressemitteilung). https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027
- He, H. (2025). Defeating nondeterminism in LLM inference. Thinking Machines Lab. https://thinkingmachines.ai/blog/defeating-nondeterminism-in-llm-inference/
- Horthy, D. (2025). 12-factor agents: Principles for building reliable LLM applications. HumanLayer. https://github.com/humanlayer/12-factor-agents
