KI, die wirklich hilft: Warum gute Lösungen nicht immer spektakulär sind
-
Enno Kapitza
- 31. Juli 2026
Viele Unternehmen und Institutionen geben KI-Tools in Auftrag, obwohl sie gar nicht so sicher sind, was diese können sollen. Der Run auf die Technologie hat enorme Ausmaße angenommen. Doch was steckt wirklich hinter dem Etikett „KI“, und wann lohnt sich der Einsatz tatsächlich? Gero Günther hat für change nachgeforscht.
Ich steige aus dem Uber, stehe in einem wenig vertrauenerweckenden Hinterhof und wundere mich, ob ich wirklich an der richtigen Adresse angekommen bin. Wo soll denn hier bitte schön ein erfolgreiches Software-Unternehmen sein? Das in die Jahre gekommene Gebäude im Süden der litauischen Hauptstadt Vilnius, einem der Hotspots der europäischen Digitalindustrie, sieht nicht nach Hipstertum aus. Ich steige die Treppe ganz nach oben, eine Tür öffnet sich und siehe da: Unter den Schrägen des Dachgeschosses werden doch noch alle Klischees erfüllt, die wir mit Start-up-Firmen in Verbindung bringen. Das Büro von Vilantis ist ein Loft mit diversen Sitzmöbeln, Kunstwerken und einer voll ausgestatteten Küche. Es gibt VR-Brillen, Whiteboards, Klappräder und ein Schachbrett. Und ja, ein paar Schreibtische in verschiedenen Höhenverstellungen müssen natürlich auch sein. Kein Zweifel, hier wird eine Unternehmenskultur gepflegt, die kreativen Geistern freien Lauf lassen soll.
Ist das Label KI oft nur Etikettenschwindel?
Vilius Tamosiunas, einer der Gründer von Vilantis, begrüßt mich und schon nach zwei Minuten steht fest: Von dem lebhaft erzählenden Unternehmer im karierten Jackett werde ich nicht die Erfolgsgeschichten hören, die ich mir bei der Anfrage des Interviews erhofft hatte. Vilantis' Geschäft sind maßgeschneiderte Software-Lösungen für Unternehmen, Behörden und Institutionen. Der erfolgreiche Anbieter hat für die Modeindustrie gearbeitet, für Universitäten und Museen. Und seit Neuestem, sagt Tamosiunas, „wollen alle immer etwas mit KI“.
Aber Vilius Tamosiunas hat überhaupt keine Lust, mir vor den genialen KI-Anwendungen vorzuschwärmen, die sich seine Agentur Tag für Tag ausdenkt. Nein, der Mann mit dem schrägen Humor ist in der Laune, Tacheles zu reden. „Künstliche Intelligenz, was soll das überhaupt heißen?“, fragt er und wirft die Antwort gleich hinterher: „Das meiste, was derzeit oft großspurig als KI verkauft wird, hieß vor ein paar Jahren noch ein bisschen anders.“ Erst habe man das Label „Machine Learning“ auf die Produkte geklebt, dann „Deep Learning“ und heute eben „Artificial Intelligence“. „Fancy buzzwords“ nennt er diese Begriffe, wichtig vor allem für Investor:innen oder Förderprogramme. Aber auch die Kund:innen, sagt Tamosiunas, würden heute fast automatisch nach künstlicher Intelligenz fragen. Wofür und wozu, wüssten sie selbst oft nicht so genau. „Es geht bloß darum, irgendwie mithalten zu können.“
KI-Definition: Was bedeutet künstliche Intelligenz eigentlich genau?
KI, erklärt Tamosiunas, sei eben keine geschützte Bezeichnung – und kann somit vieles heißen. Zunächst einmal ist „Artificial Intelligence“ ein Überbegriff, den es schon seit den 1950er-Jahren gibt. Er beschreibt ganz allgemein jene Entwicklungen in der Informatik, die versuchen, menschliche Fähigkeiten wie Denken, Lernen und Planen zu imitieren. So weit, so allgemein. „Dass der Begriff absolut schwammig ist“, so vermutet Tamosiunas, „finden viele, die ihn ständig gebrauchen, ziemlich gut.“ Sobald man das Etikett „KI-unterstützt“ verwendet, klingen nämlich sogar ganz normale Digitalisierungsmaßnahmen, die im Jahr 2026 vermutlich längst überfällig sind, auf einmal trendy und zukunftsweisend. Die feinen Unterschiede kennt ja sowieso nur eine kleine Klientel.
Generative KI-Modelle: Gut trainierte Alleskönner
Neben dieser vagen Verwendung des Begriffs „künstliche Intelligenz“ gibt es derzeit aber auch die Tendenz, KI als Synonym für solche Tools zu behandeln, bei denen sogenannte generative KI-Modelle zum Einsatz kommen. Also etwa Chatbot-Modelle wie ChatGPT, Claude, Perplexity oder das europäische Le Chat, die inzwischen Millionen User:innen vertraut sind. Solche Modelle können sekundenschnell Texte, Bilder, Filme und Musik, aber auch Bauteile oder Diagnosen erstellen, werden also für Anwendungen genutzt, die bisher menschliche Kreativität erforderten. Generative Systeme lernen aus gigantischen Datenmengen, um eigene Inhalte zu generieren, die den Trainingsdaten ähneln, aber nicht mit ihnen identisch sind. Die Anwendungsbereiche sind extrem breit gefächert. Sprich: Generative KI-Modelle sind wahre Alleskönner.
Risiken von KI: Urheberrecht, Cybersecurity & Co.
Die Systeme sind aber auch umstritten, beispielsweise aus urheberrechtlichen Gründen. Schließlich werden sie unter anderem mit Werken „gefüttert“, deren Nutzung eine klare Verletzung des Copyrights darstellt. Und dann gibt es das große Thema Cybersecurity: Das Bundesamt für Sicherheit in der Informationstechnik (BSI) macht darauf aufmerksam, „dass die Verwendung von generativen KI-Modellen neuartige IT-Sicherheitsrisiken für Unternehmen birgt“. Sie macht Firmen aber nicht nur anfällig für Cyberkriminelle, sondern kann auch die eigenen Ansprüche an die Qualität und Zuverlässigkeit des Outputs gefährden. Ganz abgesehen davon, dass mithilfe dieser Tools ganz neue Formen von Kriminalität entstanden sind und noch entstehen werden.
Mit Kanonen auf Spatzen schießen: Wenn KI-Projekte überdimensioniert sind
Dass sich Expert:innen wie Vilius Tamosiunas in Interviews kritisch über den aktuellen KI-Hype äußern, erlebe ich nicht zum ersten Mal. Zum Beispiel hält man an der Hochschule in Aalen wenig davon, jedem Problem mit einer extrem aufwendigen KI-Lösung zu begegnen. Viel zu teuer sei das. Man könne schon mit einfachem Machine Learning in vielen Fällen sehr gutes Geld verdienen, sagt Doris Aschenbrenner, an der Hochschule Aalen Professorin für „Digitale Methoden in der Produktion“. Die meisten Anwendungen, die derzeit in der Industrie gebraucht werden, sind nämlich weit entfernt von den hochkomplexen Modellen, wie sie bei generativen KI-Modellen zum Einsatz kommen. Mit anderen Worten: Wenn eine Sortieranlage verschiedene Arten von Müll erkennen soll, um Plastikflaschen effektiv von Butterverpackungen zu trennen, dann muss sie nicht auch noch Gedichte schreiben können.
Statt Alleskönner: Der Trend zu spezialisierter KI
„Schlanke und wettbewerbsfähige KI-Modelle“, fordert auch die Wirtschaftswissenschaftlerin und Technologiebeauftragte des Landes Baden-Württemberg. Katharina Hölzle hält mehr von industriellen und praktischen KI-Modellen als von Alleskönnern, die sicherheitstechnisch fragwürdig sind und riesige Mengen Energie verschlingen. Das ist nämlich das nächste Problem. Rechenzentren, die man für generative KI-Modelle benötigt, sind Energiefresser, die den Strombedarf eines Landes in extreme Höhen treiben. Die gigantischen Summen, die KI-Firmen in solche Projekte (übrigens oft mit staatlicher Unterstützung) investieren, müssen irgendwann wieder eingespielt werden. Expert:innen gehen davon aus, dass die bisherigen Gratisangebote mit hoher Wahrscheinlichkeit in absehbarer Zeit zahlungspflichtig werden. Aber wie hoch die realistisch anfallenden Kosten für die Betreibenden und Nutzenden wirklich sein werden, kann bisher kaum jemand abschätzen.
Energieeffiziente Alternativen zur Cloud-KI
Es gibt aber auch andere, bescheidenere Möglichkeiten, KI einzusetzen. Im Gegensatz zu generativen sind sogenannte dezentrale KI-Modelle nicht konstant mit großen Rechenzentren verbunden. Sie funktionieren lokal und autonom in einem Gerät oder einer Maschine (Herd, Medizintechnik, Fahrzeug). Das System trifft lokale Entscheidungen und gibt nur ausgewählte Informationen weiter. Solche KI-Lösungen werden auch Embedded Systems genannt. Sie bieten große Vorteile nicht nur beim Datenschutz, sondern auch bei der Energieeffizienz. Die Stärke vieler europäischer KI-Entwickler:innen liegt gerade in solchen punktgenauen Anwendungen. Besonders glamourös sind solche Modelle in den meisten Fällen nicht. Aber sie funktionieren und erfüllen einen konkreten Zweck.
Warum KI nicht für jedes Problem die richtige Lösung ist
Doch gerade hier zeigt sich eines der größten Probleme, die mit dem KI-Hype einhergehen. „Oft ist das, was unsere Kund:innen wirklich brauchen, nicht so extravagant, wie sie sich das vorgestellt haben“, sagt Vilius Tamosiunas. Ein Beispiel: Datensätze, die einfach geordnet und verwaltet werden müssen. Er versuche, den Kund:innen dann zu erklären, dass eine geeignete KI-Anwendung auch etwas „eher Langweiliges“ sein könne.
Die Frage, die zuerst beantwortet werden muss, heißt eben schlicht und einfach: Warum wollen wir KI nutzen und wofür? Dabei ist immer in Betracht zu ziehen, dass auch eine eher bescheidene Lösung ausreichend sein kann. Nachdem er mir seine Sicht der Dinge zum Thema KI kundgetan hat, wirkt mein litauischer Interviewpartner nun weniger angriffslustig als zu Beginn unseres Gesprächs. Wir kommen auf andere, weniger kontroverse Themen zu sprechen und schließlich empfiehlt Tamosiunas mir Restaurants und Kneipen. Natürlich solche, die er selbst gut findet, wie er betont. „Dafür brauch ich keine App und schon gar keine KI.“
Wie lässt sich Technologie so gestalten, dass sie der Gesellschaft nützt, statt nur Klicks und Aufmerksamkeit zu generieren? Mit dem Projekt „Digitalisierung und Gemeinwohl“ analysiert die Bertelsmann Stiftung Chancen und Risiken digitaler Technologien und entwickelt Impulse für eine Politik und Wirtschaft, die den Nutzen für die Gesellschaft in den Mittelpunkt stellen.
