KI überall ist KI nirgends

Ich bin platt. KI-Browser, Copilot-Features überall, KI-Notizassistenten, KI im Terminal, KI in der Suche. Das ist anstrengend. Und das Schlimmste: Das meiste davon hilft nicht.

Der Trend, KI in jedes Produkt zu streuen, hilft niemandem. Das Problem ist nicht, dass KI schlecht wäre. Das Problem ist, dass “Copilots” mit komplizierten neuen UX-Mustern an alles zu kleben die Tools schwerer verständlich und schwerer benutzbar macht, nicht leichter. Und ohne kritisches Wissen über die Werkzeuge, die wir benutzen, enden wir mit vielen Leuten, die herumfuchteln und die Dinge weder verstehen noch richtig einsetzen.

Kompetenz zählt weiterhin

Microsoft hat kürzlich “Vibe Working” mit dem Agent Mode in Excel gestartet¹. Das Feature erzeugt aus Prompts in natürlicher Sprache komplette Tabellen und Finanzmodelle, vom Kreditrechner bis zur Gewinn-und-Verlust-Rechnung. Laut Microsofts eigenen Benchmarks erreicht es auf der SpreadsheetBench-Testsuite eine Genauigkeit von 57,2 %¹.

Überleg dir, was das heißt. Finanzmodelle, die fast jedes zweite Mal falsch sind. Wenn dir das Excel-Wissen fehlt, um zu prüfen, was da generiert wird, entgehen dir die Fehler.

Das ist nicht hypothetisch. Beim “London Whale”-Fall von JPMorgan Chase 2012 steckte hinter dem Risikomodell eine Excel-Tabelle, in die Daten von Hand hineinkopiert werden mussten². Ein operativer Fehler in der Berechnung, Division durch die Summe statt durch den Durchschnitt, ließ die Trades nur halb so riskant aussehen, wie sie waren. Das Ergebnis: ein Verlust von 6,2 Mrd. $ und 920 Mio. $ Strafen³.

Oder nimm das Wirtschaftspapier von Reinhart und Rogoff, das nach der Finanzkrise 2008 die Sparpolitik in mehreren Ländern beeinflusst hat⁴. Ein simpler Formelfehler in Excel schloss fünf Länder aus der Berechnung aus. Aus einem durchschnittlichen BIP-Wachstum von 2,2 % wurde so ein Rückgang von -0,1 %⁵. Dieser Fehler lieferte die Rechtfertigung für Sparmaßnahmen, die die Arbeitslosigkeit in der Eurozone über 10 % trieben⁶.

Das Muster ist eindeutig: Wenn KI Menschen dabei hilft, Dinge zu erstellen, die sie nicht verstehen, können die Folgen katastrophal sein. Das gilt genauso fürs Programmieren. Wer KI-generierten Code übernimmt, ohne zu verstehen, was er tut, wie er Randfälle behandelt oder wie er sich unter Last verhält, baut Systeme, die in der Demo laufen und in Produktion scheitern.

Wo KI tatsächlich funktioniert

KI kann extrem nützlich sein. Die erfolgreichen Einsätze haben Gemeinsamkeiten.

Die klarsten Beispiele kommen aus der medizinischen Bildgebung, wo KI Patienten priorisiert, indem sie Aufnahmen erkennt, die wahrscheinlich kritische Befunde enthalten. In einer Studie markierte ein System zur Erkennung intrakranieller Blutungen auf CT-Aufnahmen des Gehirns 94 von 347 Routinefällen als Notfälle, davon 60 echt positiv, und senkte die Befundzeit von 8,5 Stunden auf 19 Minuten⁷.

Diese Einsätze funktionieren, weil das Problem konkret ist. Es heißt nicht “Excel besser machen”, sondern “die Zeit senken, die Radiologen für die erste Sichtung von CT-Aufnahmen brauchen”. Der Mensch bleibt im Prozess: Die Radiologin stellt die Diagnose, die KI hilft beim Priorisieren. Der Erfolg ist messbar. Es passt in den bestehenden Arbeitsablauf. Und entscheidend: Spezialisten für medizinische Bildgebung haben diese Systeme mit tiefem Fachwissen gebaut.

Das ist saubere Ingenieursarbeit mit KI. Such dir einen konkreten Engpass, an dem Mustererkennung wirklich hilft, baue ein System, das in bestehende Abläufe passt, halte den Menschen im Prozess und mach die Wirkung messbar.

Das Argument für KI überall

Fairerweise gibt es Argumente für den breiten Einsatz. Aktuelle Umfragen zeigen, dass Beschäftigte, die generative KI nutzen, 5,4 % ihrer Arbeitszeit sparen⁷. Wirtschaftsprognosen schätzen, dass KI das BIP bis 2035 um 1,5 % steigern wird⁸. Studien haben ergeben, dass KI-Tools die Leistung im Schnitt um 66 % verbessern, mit den größten Zuwächsen bei weniger qualifizierten Nutzern⁹.

Zu den theoretischen Vorteilen zählen Netzwerkeffekte (mehr Nutzer verbessern die Modelle), Demokratisierung von Fähigkeiten (weniger qualifizierte Beschäftigte bekommen Hilfe) und Entdeckung durch Ausprobieren (du weißt nicht, was funktioniert, wenn du es nicht versuchst).

Aber eine beliebige prozentuale Steigerung der “Produktivität” anzupeilen ist grundsätzlich verfehlt. Du kannst deine Organisation nicht einfach “AI native” oder “AI first” nennen und sinnvolle Ergebnisse erwarten. KI kann unmöglich die Feinheiten deines Geschäfts kennen, das komplett auf menschlichem Verhalten, Kommunikation, Beziehungen, Netzwerken und Einsichten beruht.

Eine umfassendere Untersuchung, die viele Beschäftigte und Aufgaben betrachtete, fand: Trotz hoher Investitionen hatten KI-Chatbots nur bescheidene Wirkung und sparten gerade einmal 2,8 % der Arbeitszeit¹⁰. Noch kritischer: Zwei Drittel dieser gesparten Zeit flossen in Tätigkeiten ohne Wertschöpfung¹⁰. Die Produktivitätsgewinne führten selten zu höherem Gehalt.

Du musst genau verstehen, wie deine Leute tatsächlich arbeiten, bevor du KI einführst. Nicht grobe Striche über “Produktivität”, sondern konkrete Abläufe, an denen du eine Verbesserung ansetzen, messen und wiederholen kannst. Wenn es klappt, nimm das nächste leicht erreichbare Ziel. Das ist Engineering. Der Rest ist Theater.

Das Argument der “Demokratisierung” hat eine dunklere Seite. Ja, Produktivitätsgewinne für weniger qualifizierte Beschäftigte klingen verlockend. Aber lernen sie dabei etwas? Wahrscheinlich nicht. Sie bauen kein tiefes Verständnis für das menschliche Verhalten, die Kommunikation, die Beziehungen, die Netzwerke und die Einsichten auf, in denen dein Unternehmen und deine Kunden sich bewegen. Wenn du die Lücke zwischen Qualifizierten und Unqualifizierten schließt, indem du den Bedarf an Grundkompetenz senkst, hilfst du Menschen nicht, Expertise aufzubauen. Du erzeugst Abhängigkeit von Systemen, die halluzinieren und Fehler machen. Microsoft hat so viel Feedback bekommen, dass Copilot aufdringlich sei, dass es einen Button zum Abschalten einbauen musste¹¹. Nutzer merken, wenn “Hilfe” ihre Arbeitsfähigkeit untergräbt.

Was tatsächlich passieren muss

Jetzt kommt der Witz: Diese fokussierten KI-Systeme gibt es seit Jahren. Qualitätskontrolle an Fertigungslinien nutzt Computer Vision und maschinelles Lernen schon seit lange vor dem aktuellen KI-Hype¹². Systeme zur Betrugserkennung bei Kreditkarten setzen seit Jahrzehnten Machine-Learning-Algorithmen ein, um verdächtige Transaktionen in Echtzeit zu finden¹³. Das sind keine neuen Anwendungen. Es sind bewährte Systeme, die funktionieren, weil sie konkrete, klar umrissene Probleme lösen.

Informationen und APIs sind nicht geordnet genug, um nützlich zu sein, solange sie nicht an echten Anwendungsfällen von Menschen ausgerichtet gebaut werden. KI kann eine schlechte Informationsarchitektur nicht ersetzen. Sie kann Entscheidungen unterstützen und beeinflussen, aber das menschliche Element muss da sein: entscheiden, wie Systeme funktionieren sollen, Wettbewerbsvor- und -nachteile verstehen, wissen, wann ein Ergebnis falsch ist.

Die Unternehmen, die mit KI Erfolg haben werden, sind nicht die, die sie auf alles werfen. Es sind die, die eine konkrete Branche richtig verstehen und einen zentralen Engpass finden, fokussierte Lösungen für genau dieses Problem bauen, KI dort einsetzen, wo Mehrdeutigkeit nicht komplett nervt, Systeme nachvollziehbar halten (du siehst, was die KI tut, und greifst ein, wenn nötig) und den Beitrag der KI messbar und verbesserbar machen.

KI kann eine Lücke richtig gut füllen, wo Mustererkennung oder der Umgang mit Mehrdeutigkeit etwas bringt. Aber es geht nicht darum, Nutzern Chatbots oder komplizierte neue Abläufe aufzudrängen. Es geht darum, bestehende Prozesse zu ergänzen, wo es Sinn ergibt.

Der Ansatz, KI an alles zu werfen und zu schauen, was kleben bleibt, ist unklug. Er führt zu halbgaren Features ohne echten Nutzen und am Ende zu schlechten Ergebnissen für die Nutzer. Schlimmer noch, er beschädigt das Etikett KI selbst. Wer wiederholt auf kaputte KI-Features stößt, hört auf, KI-Fähigkeiten zu vertrauen, auch dort, wo sie wirklich helfen würden.

Such dir einen konkreten Engpass und löse ihn

Ich will nicht auf jeder KI-Lösung herumhacken. Manche werden bei ganz konkreten Dingen brillant sein. Aber sie werden von Leuten gebaut, die eine Branche tief verstehen und einen echten Engpass gefunden haben, den KI lösen kann.

Aktuelle KI-Systeme können im medizinischen Kontext immer noch keine klinischen Daten einbeziehen und nicht mit früheren Aufnahmen vergleichen¹⁴. Sie arbeiten isoliert und lassen sich nicht nahtlos in die multidisziplinäre Versorgung integrieren¹⁴. Sie halluzinieren, erzeugen falsche Antworten und liefern irreführende Informationen, mit Raten zwischen 3 % und 10 %¹⁵. Diese Probleme löst du nicht, indem du überall ausrollst und auf das Beste hoffst.

Die eigentliche Chance der KI liegt nicht in der Allgegenwart. Sie liegt in der Präzision. Sie liegt darin, genau zu verstehen, wo diese Systeme Mehrwert bringen, und Umsetzungen zu bauen, die auf ein Problem zugeschnitten sind, in ihrer Funktionsweise nachvollziehbar, in bestehende Abläufe eingebunden, auf ihre tatsächliche Wirkung gemessen und mit menschlicher Aufsicht gestaltet.

Wenn du KI überall einsetzt, machst du sie dort weniger wertvoll, wo sie wirklich helfen könnte. Du bringst Nutzern bei, KI-Ergebnissen zu misstrauen, und schaffst eine Umgebung, in der nützliche Umsetzungen im AI-Washing untergehen.

KI kann transformativ sein, wenn man es richtig macht. Aber “richtig” heißt: fokussierte, gemessene und eingebundene Lösungen von Leuten, die sowohl die Technologie als auch die Fachdomäne verstehen. Nicht Copilots, die an jedes Produkt geschraubt werden, ob es Sinn ergibt oder nicht.

Wenn wir diese fokussierten Systeme klar definiert und lauffähig haben, und erst dann, sehen wir vielleicht eine Entwicklung hin zu der Allgegenwart, der alle hinterherjagen. Aber so weit sind wir nicht. Nicht annähernd.

---

References

Footnotes

1. Microsoft 365 Blog. (2025, September 29). Vibe working: Introducing Agent Mode and Office Agent in Microsoft 365 Copilot. ↩ ↩²

2. JPMorgan Chase & Co. (2013, January 16). Report of JPMorgan Chase & Co. Management Task Force Regarding 2012 CIO Losses. Yale Program on Financial Stability. ↩

3. Wikipedia. (2025). 2012 JPMorgan Chase trading loss. ↩

4. Wikipedia. (2025). Growth in a Time of Debt. ↩

5. Bloomberg. (2013, April 18). FAQ: Reinhart, Rogoff, and the Excel Error That Changed History. ↩

6. Clinical applications of artificial intelligence in radiology. PMC. https://pmc.ncbi.nlm.nih.gov/articles/PMC10546456/ ↩

7. St. Louis Fed. (2025, February 27). The Impact of Generative AI on Work Productivity. ↩ ↩²

8. Penn Wharton Budget Model. (2025). The Projected Impact of Generative AI on Future Productivity Growth. ↩

9. Nielsen Norman Group. (2024, January 30). AI Improves Employee Productivity by 66%. ↩

10. Computerworld. (2025, June 2). AI chatbots deliver minimal productivity gains, study finds. ↩ ↩²

11. Microsoft Q&A. (2025). How do I stop the annoying copilot thing popping up on Excel, Word, and everywhere else it’s not wanted? ↩

12. IBM. (2025). How is AI being used in Manufacturing. ↩

13. IBM. (2025). AI Fraud Detection in Banking. ↩

14. ScienceDirect. (2024, October 20). AI in radiology: From promise to practice − A guide to effective integration. ↩ ↩²

15. Shelf. (2024, November 13). How to Prevent Microsoft Copilot Hallucinations. ↩