Nicht alles braucht KI

Wir greifen zum Modell, wie wir nach einem Lichtschalter greifen — reflexhaft, noch bevor der Gedanke zu Ende ist. Eine Frage taucht auf, ein Chatfenster geht auf. Meistens ist das gut so: Das Modell ist wirklich beeindruckend, und ich baue jeden Tag damit. Aber irgendwann in den letzten zwei Jahren wurde „nimm halt KI“ zur Standardantwort auf fast jede Frage der Informationsverarbeitung — und eine Standardantwort ist eine Entscheidung, die man aufgehört hat zu treffen.

Vieles, was wir heute durch ein Modell schicken, erledigt ein viel kleineres, dümmeres Werkzeug besser — schneller, günstiger, zuverlässiger. Nicht weil das Modell schlecht wäre. Sondern weil es die falsche Größe für die Aufgabe ist.

Eine Sache sollst du eher fühlen als glauben. Ein Support-Ticket kommt herein. Leite es weiter.

Du hast gerade zugesehen, wie ein Sprachmodell sich zu einer Antwort durchdachte, die eine dreizeilige Liste durch das Treffen eines einzigen Wortes erreichte. Beide lagen richtig. Die eine war sofort da, kostenlos und einem Prüfer erklärbar; die andere kostete etwas Geld, etwas Zeit, etwas Strom — und du müsstest ihr vertrauen. Für diese Aufgabe gewinnt die Regel auf jeder Achse, die zählt. Und das meiste, was wir der KI zur Verarbeitung geben, sieht viel eher aus wie dieses Ticket als wie das Schreiben eines Romans.

Das einfachste Werkzeug, das funktioniert

Das ist keine Anti-KI-Haltung, sondern ein altes Ingenieursprinzip. Googles eigenes Machine-Learning-Handbuch beginnt mit Regel 1: Hab keine Angst, ohne es zu starten — „eine Heuristik bringt dich 50 % des Weges“. Gartner veröffentlicht eine Notiz mit dem schlichten Titel When Not to Use Generative AI. 2025 stellten Forscher einen schlichten regulären Ausdruck gegen ein LLM bei einer strukturierten Extraktionsaufgabe über fast achttausend medizinische Berichte. Gleiche Genauigkeit — und der Regex war rund 28.000-mal schneller.

Für strukturierte, wiederkehrende, klar definierte Arbeit — klassifizieren, extrahieren, validieren, nachschlagen, gegen feste Kriterien bewerten — sind explizite Regeln nicht nur günstiger. Oft sind sie das bessere Werkzeug: deterministisch (gleicher Input, gleicher Output, jedes Mal), nachvollziehbar (du kannst genau lesen, warum) und außerstande, sich etwas auszudenken.

Was eine Rubrik wirklich ist

Eine Rubrik ist genau das: ein explizit aufgeschriebener Satz von Kriterien. Statt ein Modell zu fragen „ist das ein guter Lead?“, schreibst du die drei Dinge auf, die einen guten Lead ausmachen, und prüfst sie. Statt ein Modell eine Antwort benoten zu lassen, benennst du, was eine gute Antwort enthält. Die Disziplin, die Rubrik zu schreiben, ist der größte Teil des Werts: Sie zwingt dich zu sagen, was du wirklich mit „gut“ meinst — der Teil, den wir sonst überspringen und still an ein Modell auslagern, das sich dann seine eigene Definition ausdenkt.

Und jetzt das Gegenintuitive: Je größer und gefälliger die Modelle wurden, desto unzuverlässiger wurden sie beim Einfachen — eher bereit, dir eine selbstsichere, plausible, falsche Antwort zu geben, als zuzugeben, dass sie es nicht wissen. Genau bei den einfachen Aufgaben rutscht eine selbstsichere Falschantwort unbemerkt durch. Eine Rubrik kann nicht selbstsicher falsch sein. Sie kann nur auf eine Weise falsch sein, die du siehst — und korrigierst.

Nichts davon heißt, dass Regeln Modelle schlagen. Gib einem Regex eine wütende, sarkastische, voller Tippfehler steckende Beschwerde, und er fällt auseinander — das ist das Heimspiel des Modells, und dort ist es wirklich magisch. Es ging nie um Regeln gegen KI. Es geht um ein Modell für den unscharfen, offenen, sprachlichen Teil, eine Regel für den strukturierten Teil darunter — und das Urteilsvermögen, zu erkennen, was was ist.

Die Energie-Fußnote, ehrlich

Hier muss ich vorsichtig sein, denn genau hier entgleist das Gespräch meistens. Du kennst die Schlagzeilen — jeder Prompt trinke eine Flasche Wasser, KI koche die Ozeane. Die meisten dieser Zahlen sind aufgebläht. Eine kurze Anfrage liegt bei etwa einer viertel Wattstunde; Google hat einen seiner Prompts mit ungefähr der Energie gemessen, eine Mikrowelle eine Sekunde laufen zu lassen. Das virale „ChatGPT verbraucht das Zehnfache einer Websuche“ geht auf eine Schätzung von 2023 auf längst ausgemusterter Hardware zurück. Also nein — eine KI-Anfrage für ein Ticket einzusparen rettet nicht den Planeten, und wer das behauptet, will dir etwas verkaufen.

Die ehrliche Version liegt auf einer anderen Flughöhe. Eine überflüssige Anfrage ist nichts. Eine ganze Branche, die diese Anfrage zum Reflex für jede Kleinigkeit macht, milliardenfach am Tag, ist nicht nichts. Rechenzentren machten 2024 rund 1,5 % des weltweiten Stroms aus; die IEA erwartet bis 2030 etwa eine Verdopplung, und in einem einzigen Jahr stieg der Wert um 17 % — KI als Haupttreiber. Und darunter liegt eine Falle: Jedes Mal, wenn das Modell günstiger und effizienter wird, nutzen wir es für mehr, und der Gesamtbedarf steigt weiter. Ein Systemproblem löst man nicht Mikrowellen-Sekunde für Mikrowellen-Sekunde. Aber „immer das größte Werkzeug für die kleinste Aufgabe“ ist eine schlechte Gewohnheit, um sie auf Milliarden zu skalieren.

Zum richtigen Werkzeug greifen

Die Fähigkeit war nie, KI zu nutzen — das kann jetzt jeder; es ist ein Lichtschalter. Die Fähigkeit ist die halbe Sekunde Urteilsvermögen, bevor du ihn umlegst.

• Beginn mit dem Problem, nicht dem Werkzeug. Sag, was tatsächlich passieren muss, bevor du entscheidest, womit. „Standardmäßig KI“ überspringt genau diesen Schritt — deshalb produziert es Overkill.
• Frag, ob der Input strukturiert oder unscharf ist. Ist er vorhersehbar und die Regel dafür schreibbar — schreib die Regel. Heb dir das Modell für das wirklich Mehrdeutige, Sprachliche auf, worin es einzigartig gut ist.
• Schreib die Rubrik trotzdem. Selbst wenn du ein Modell nutzt, macht das Benennen der Kriterien es nützlicher — und manchmal zeigt sich, dass du es gar nicht gebraucht hättest.
• Bemerke den Reflex. Wenn deine Hand das nächste Mal ein Chatfenster öffnen will, halt einen Moment inne und frag, ob eine Formel, ein Filter oder drei Zeilen Regeln es täten. Oft täten sie es.

Wir haben zwei Jahre gelernt, KI für alles zu nutzen. Die nächste, wertvollere Fähigkeit ist die umgekehrte: zu wissen, was sie nicht braucht. Das ist keine kleinere Fähigkeit — es ist derselbe Muskel wie zu wissen, wann man überhaupt zur KI greift, und derselbe hinter Geschmack: das Urteil darüber, was eine Situation tatsächlich verlangt. Das Modell sagt immer Ja. Zu wissen, wann die Antwort „dafür brauchen wir dich nicht“ lautet, ist der Teil, der noch dir gehört.

Du versuchst herauszufinden, wo KI in einem Prozess wirklich hingehört — und wo sie still Kosten und Risiko hinzufügt? Genau über so etwas lohnt sich ein Gespräch.