Künstliche Intelligenz (KI)
Künstliche Intelligenz (KI) bezeichnet Computersysteme, die Aufgaben lösen, für die normalerweise menschliches Denken nötig ist, etwa Mustererkennung, Sprachverständnis oder Entscheidungsunterstützung.
Künstliche Intelligenz (KI) ist ein Teilgebiet der Informatik, das sich mit Systemen beschäftigt, die Aufgaben lösen, für die normalerweise menschliches Denken nötig ist. Dazu gehören Mustererkennung, Sprachverständnis, Vorhersagen und Entscheidungsunterstützung. Die meisten heutigen KI-Systeme basieren auf maschinellem Lernen: Sie werden mit großen Datenmengen trainiert und leiten daraus Regeln und Wahrscheinlichkeiten ab, statt explizit programmiert zu werden. Ein bekanntes Beispiel sind große Sprachmodelle (Large Language Models), die Texte erzeugen, indem sie auf Basis riesiger Textmengen das jeweils wahrscheinlichste nächste Wort berechnen. Man unterscheidet grob zwischen schwacher KI, die auf eine konkrete Aufgabe spezialisiert ist, und starker KI, die menschenähnliches Denken in beliebigen Bereichen erreichen würde, aktuell aber noch nicht existiert.
In der betrieblichen Praxis kommt KI heute vor allem in eng abgegrenzten Anwendungen zum Einsatz. Dazu zählen die automatische Klassifizierung von Dokumenten, die Erkennung von Fehlern auf Fotos, die Auswertung von Maschinendaten zur Vorhersage von Ausfällen (Predictive Maintenance) oder Chatbots im Kundenservice. Auch Planungs- und Prognoseaufgaben, etwa im Lager oder in der Produktionssteuerung, lassen sich mit KI-gestützten Modellen unterstützen. Im Zusammenspiel mit RPA (Robotic Process Automation) übernimmt KI dabei häufig die Entscheidungslogik, während RPA die eigentliche Ausführung in Systemen erledigt.
KI-Systeme sind nur so gut wie die Daten, mit denen sie trainiert wurden, und sie treffen Entscheidungen auf Basis von Wahrscheinlichkeiten, nicht von echtem Verständnis. Das führt dazu, dass sie auch falsche oder erfundene Ergebnisse mit großer Sicherheit ausgeben können, ein Phänomen, das als Halluzination bekannt ist. Deshalb bleibt menschliche Kontrolle bei wichtigen Entscheidungen notwendig, besonders wenn Ergebnisse rechtliche, finanzielle oder sicherheitsrelevante Folgen haben. Wer KI im eigenen Betrieb einführen will, sollte klein anfangen, Ergebnisse stichprobenartig prüfen und die Systeme dort einsetzen, wo Fehler früh auffallen und wenig Schaden anrichten.
Praxisbeispiel
Ein Handwerksbetrieb mit 18 Mitarbeitenden nutzt eine KI-gestützte Bilderkennung, um bei der Wareneingangskontrolle beschädigte Teile automatisch zu erkennen. Vorher prüfte eine Mitarbeiterin täglich rund 200 angelieferte Teile von Hand und übersah im Schnitt 3 bis 4 Prozent der Mängel. Nach der Einführung der KI-Kontrolle sinkt die Übersehensrate auf unter 1 Prozent, und die Mitarbeiterin gewinnt etwa 45 Minuten pro Tag, die sie für Reklamationsbearbeitung und Lieferantengespräche nutzt. Die KI ersetzt dabei nicht die Mitarbeiterin, sondern übernimmt den repetitiven Teil der Prüfung, während strittige Fälle weiterhin von Menschen entschieden werden.
So hilft Leanshift
Für Leanshift ist Künstliche Intelligenz ein Werkzeug zur Prozessverbesserung, kein Selbstzweck. Sie ist dort sinnvoll, wo sie einen konkreten Schritt im Prozess spürbar verbessert, Zeit spart oder Fehler reduziert, bewertet wird sie also nach demselben Maßstab wie jede andere Kaizen-Maßnahme. So bleibt der Blick auf das eigentliche Ziel gerichtet: nicht möglichst viel KI einzusetzen, sondern Menschen dabei zu unterstützen, ihre Prozesse besser zu verstehen und selbst zu verbessern.
Häufige Fragen
Ist KI dasselbe wie ein Algorithmus?
Nein. Jeder Algorithmus ist eine feste Abfolge von Rechenschritten, aber nicht jeder Algorithmus lernt aus Daten. KI-Systeme nutzen Algorithmen, die eigenständig aus Beispielen Muster ableiten, statt für jeden Fall explizit programmiert zu werden.
Braucht ein kleiner Betrieb eigene KI-Modelle?
In den meisten Fällen nicht. Fertige KI-Werkzeuge und -Dienste decken typische Aufgaben wie Texterstellung, Bilderkennung oder Prognosen bereits ab, ein eigenes Modell zu trainieren lohnt sich nur bei sehr speziellen, wiederkehrenden Anwendungsfällen.
Wie zuverlässig sind KI-Ergebnisse?
Das hängt stark von der Aufgabe und den Trainingsdaten ab. Bei klar abgegrenzten Aufgaben wie Bilderkennung sind Fehlerraten oft niedrig und gut messbar, bei offenen Aufgaben wie Textgenerierung sollten Ergebnisse grundsätzlich stichprobenartig geprüft werden.