Wann eine einfache Regel die bessere Automatisierung ist

Eine feste Regel ist die passende Automatisierung, wenn Eingaben und Entscheidungskriterien eindeutig beschrieben sind. Ob ein Pflichtfeld fehlt, ein Betrag einen freigegebenen Grenzwert überschreitet oder eine bekannte Kennung bereits existiert, muss kein Sprachmodell entscheiden. KI wird dort interessant, wo Sprache oder unstrukturierte Inhalte zunächst interpretiert werden müssen.

Die Werkzeugwahl beginnt deshalb bei der einzelnen Entscheidung. Ein Prozess kann gleichzeitig feste Regeln, KI-Auswertung und menschliche Freigabe enthalten. Die Frage "Brauchen wir KI?" ist für einen gesamten Ablauf oft zu grob. Präziser ist: Welcher Schritt verlangt welche Art von Urteil, und wie prüfen wir sein Ergebnis?

Dieser Artikel bietet ein eigenes Auswahlraster mit einem fiktiven Serviceprozess. Für den Vergleich grösserer Automatisierungsansätze ergänzt ihn der Beitrag zu agentischer Prozessautomation und RPA. Hier geht es um kleine, überprüfbare Entscheidungen innerhalb eines Ablaufs.

Die Entscheidungsregel zuerst aufschreiben

Ein Team will eingehende Anfragen automatisch verteilen. Der erste Vorschlag lautet: "Die KI erkennt die zuständige Abteilung." Beim Aufschreiben zeigt sich, dass ein grosser Teil der Anfragen bereits ein verbindliches Kategoriekennzeichen aus einem Formular enthält. Für diese Fälle existiert eine freigegebene Zuordnungstabelle.

Eine Regel kann das Kennzeichen direkt nachschlagen. Fehlt es, entsteht ein anderer Fall: Jetzt muss möglicherweise der Freitext gelesen oder beim Absender nachgefragt werden. Beide Fälle unter derselben KI-Aufgabe zusammenzufassen verdeckt eine bereits vorhandene, einfach prüfbare Lösung.

Die Regel braucht trotzdem einen Verantwortlichen. Wer entscheidet, welche Kategorie zu welcher Abteilung gehört? Was passiert bei unbekannten Kennzeichen? Ab wann gilt eine Änderung? Auch eine kleine Tabelle ist Teil des betrieblichen Systems. Ihre Einfachheit befreit sie nicht von fachlicher Pflege.

Schreib die Regel so auf, dass eine zweite Person sie ohne Zusatzwissen auf einen neuen Fall anwenden kann. Wenn das nicht gelingt, fehlt entweder eine fachliche Entscheidung oder die Aufgabe verlangt tatsächlich eine Interpretation. Ein Sprachmodell darf diese Lücke nicht still mit einer plausiblen eigenen Regel füllen.

Was ein Sprachmodell zusätzlich leistet

Freitext enthält unterschiedliche Formulierungen für ähnliche Anliegen. Eine Person schreibt "Die Lieferung fehlt", eine andere "Es ist noch nichts angekommen". Ein Sprachmodell kann solche Aussagen einer vorgeschlagenen Kategorie zuordnen. Das ist eine andere Aufgabe als der direkte Vergleich eines vorhandenen Statuscodes.

Der Beitrag Building effective agents unterscheidet vordefinierte Workflows von Agenten, die ihren Ablauf stärker selbst bestimmen, und empfiehlt einfache Lösungen als Ausgangspunkt. Der Text ist ein Architekturbeitrag eines Anbieters, kein unabhängiger Beweis für die Überlegenheit einer bestimmten Umsetzung.

Für das Servicebeispiel leite ich daraus eine begrenzte Rolle ab: Das Modell interpretiert den unstrukturierten Text und liefert einen Vorschlag mit Fundstelle. Eine feste Regel prüft danach, ob die vorgeschlagene Kategorie überhaupt zugelassen ist. Kritische oder widersprüchliche Fälle gehen an eine berechtigte Person.

Die KI muss nicht jede spätere Aktion selbst auswählen. Sie braucht insbesondere keine Schreibrechte im Kundensystem, nur um einen Eingangstext zu klassifizieren. Eine enge Aufgabe erleichtert die Prüfung, weil klar bleibt, welcher Teil des Ergebnisses aus Interpretation und welcher aus einer festgelegten Regel stammt.

Fünf Tätigkeiten im Vergleich

Die Tabelle ist eine Empfehlung für diese beschriebenen Aufgaben. Sie behauptet keine allgemeine Rangfolge von Werkzeugen. Ein vorhandenes Fachsystem kann eine Aufgabe bereits sicher erledigen. Dann muss nicht zusätzlich ein eigener Workflow entstehen.

Auch der Begriff "feste Regel" bedeutet nicht "ohne Fehler". Eine falsch konfigurierte Zuordnung produziert ihre Fehler sehr zuverlässig. Der Vorteil liegt hier in der expliziten, prüfbaren Entscheidung, nicht in einer pauschalen Fehlerfreiheit. Eine Regel braucht Tests mit gültigen, ungültigen und unbekannten Eingaben.

Den Grenzwert nicht vom Modell erfinden lassen

Im fiktiven Prozess müssen Rückerstattungen über einem intern freigegebenen Betrag zusätzlich geprüft werden. Der konkrete Betrag stammt aus einer verbindlichen Unternehmensregel. Er wird nicht aus Trainingswissen oder einer zufälligen alten E-Mail abgeleitet.

Die KI liest aus der Anfrage einen vorgeschlagenen Erstattungsbetrag. Der Workflow prüft Format, Währung und Fundstelle. Erst danach vergleicht eine feste Regel den Betrag mit dem gültigen Grenzwert. Wenn die Währung fehlt oder zwei Beträge genannt werden, ist die Eingabe ungeklärt. Das System darf nicht einfach den kleineren Wert wählen, um den Fall automatisch abzuschliessen.

Ein weiterer Test betrifft die Grenze selbst: unterhalb, genau auf der Grenze und oberhalb. Die Fachregel muss ausdrücklich festlegen, welcher Fall eine zusätzliche Prüfung braucht. "Ab einem hohen Betrag" reicht nicht. Auch die Behandlung von negativen Beträgen, Gutschriften und Rundungen muss zum Prozess passen.

Diese Detailarbeit wirkt unspektakulär. Sie entscheidet aber darüber, ob die Automatisierung im Alltag verständlich bleibt. Ein langer Prompt mit unscharfen Formulierungen ersetzt keine fehlende Definition der Grenze.

Warum mehr Autonomie nicht automatisch mehr Nutzen bringt

Ein Agent, der Werkzeuge selbst auswählt, braucht klare Grenzen für Aktionen und Ressourcen. Für eine feste Aufgabe kann diese zusätzliche Freiheit unnötige Prüf- und Betriebsarbeit erzeugen. Wenn das gewünschte Ergebnis bereits über einen bekannten Ablauf erreichbar ist, muss ein freier Suchprozess seinen zusätzlichen Nutzen erst nachweisen.

Im Servicebeispiel ist die Reihenfolge bekannt: Eingang prüfen, Kategorie bestimmen, Zuständigkeit nachschlagen, gegebenenfalls freigeben, Ergebnis dokumentieren. Ein vordefinierter Ablauf macht sichtbar, an welcher Stelle eine Entscheidung offen bleibt. Die KI muss nicht selbst entscheiden, ob sie zunächst einen Datensatz ändert oder eine Nachricht verschickt.

Autonomie ist dagegen eine echte Option, wenn ein begrenztes Ziel mehrere zulässige Bearbeitungswege verlangt und die Auswahl nicht sinnvoll vorab feststeht. Auch dann braucht es eine überprüfbare Abbruchbedingung. Ohne sie läuft das System möglicherweise weiter, obwohl zusätzliche Schritte das Ergebnis nicht verbessern.

Der Artikel über zuverlässige KI-Agenten vertieft diese Architekturfrage. Für die kleine Automatisierung hier lautet die Empfehlung: Gib nur die Entscheidungsspielräume frei, die die Aufgabe tatsächlich benötigt.

Einen Vergleichsversuch fair aufbauen

Vergleiche eine Regel und eine KI-Lösung mit denselben erlaubten Eingaben und denselben Soll-Ergebnissen. Wenn die Regel nur strukturierte Formulare erhält, die KI aber unvollständige E-Mails, sagt der Unterschied wenig über die Werkzeuge aus. Die Fallgruppen müssen getrennt ausgewertet werden.

Im Beispiel werden Formularfälle, eindeutige Freitextfälle und widersprüchliche Fälle markiert. Für jede Gruppe wird gemessen, wie viele Ergebnisse fachlich korrekt sind, wie viele Fälle zur Prüfung gelangen und wie viel Bearbeitungszeit einschliesslich Korrektur entsteht. Die Werte sind lokale Testergebnisse, keine allgemeinen Branchenquoten.

Ein korrekt erkannter Ausnahmefall zählt nicht automatisch als Scheitern. Wenn die Eingabe keine belastbare Entscheidung erlaubt, ist die Weitergabe an einen Menschen das richtige Ergebnis. Umgekehrt ist eine vollständig automatisch bearbeitete Anfrage kein Erfolg, wenn sie in der falschen Abteilung landet.

Die Messung des KI-Prüfaufwands hilft, die manuelle Arbeit vollständig zu erfassen. Dazu zählen auch die Pflege der Regeln, die Bewertung neuer Fehlerbilder und das Wiederholen betroffener Tests nach Änderungen.

Mit unbekannten Eingaben umgehen

Eine gute Regel kennt ihren Geltungsbereich. Ein neues Kategoriekennzeichen darf nicht automatisch auf die ähnlichste bekannte Kategorie fallen. Es braucht einen definierten Ausnahmeweg. Sonst entsteht eine stille Vermutung an der Stelle, an der der Ablauf eigentlich Eindeutigkeit verspricht.

Für die KI gilt dasselbe Prinzip in anderer Form. Ein Modell kann zu fast jedem Text eine plausible Kategorie liefern. Deshalb muss die Anwendung festlegen, wann ein Vorschlag nicht weiterverwendet wird: fehlender Beleg, mehrere widersprüchliche Anliegen oder eine Kategorie ausserhalb des erlaubten Bereichs.

Ein mögliches Ergebnis lautet ausdrücklich "nicht zugeordnet". Das Feld wird nicht aus Bequemlichkeit mit einem Standardwert gefüllt, der später als echte Entscheidung erscheint. Die Ausnahme erhält einen zuständigen Bearbeiter und einen sichtbaren Grund.

Die Auswertung dieser Fälle zeigt, ob eine Erweiterung sinnvoll ist. Wenn dieselbe neue Kategorie häufig auftritt und fachlich klar definiert ist, wird die Zuordnungstabelle erweitert. Wenn die Fälle weiterhin individuelle Entscheidungen verlangen, bleibt die manuelle Bearbeitung bestehen. Automatisierung ist kein Selbstzweck.

Änderungen ohne versteckte Nebenwirkungen

Eine Regeländerung erhält eine Version und ein Gültigkeitsdatum. Die Verantwortlichen prüfen, welche bestehenden Fälle betroffen sind. Ein offener Vorgang darf nicht unbemerkt zwischen zwei widersprüchlichen Regelständen wechseln. Bei abgeschlossenen Fällen muss nachvollziehbar bleiben, nach welcher Regel entschieden wurde.

Für einen Prompt gilt eine vergleichbare Änderungsdisziplin. Eine kleine sprachliche Anpassung kann die Zuordnung verändern. Deshalb werden die betroffenen Testfälle erneut ausgeführt. Das bedeutet nicht, dass nach jedem Satzwechsel das gesamte System von Grund auf neu geprüft wird. Der Prüfbereich folgt der Änderung und ihren möglichen Auswirkungen.

Im Beispiel erhält die Kategorie "Lieferverzug" eine neue Zuständigkeit. Geprüft werden ein eindeutiger Lieferverzug, eine allgemeine Produktfrage und ein gemischtes Anliegen. Der erste Fall muss zur neuen Zuständigkeit gelangen; die anderen dürfen nicht versehentlich mitwandern. Ein Test nur mit dem geänderten Normalfall übersieht diese Nebenwirkung.

Eine Regel mit Ablaufdatum versehen

Manche Regeln sind nur vorübergehend gültig. Im Servicebeispiel übernimmt eine Vertretung für zwei Wochen eine Kategorie. Wird diese Ausnahme ohne Gültigkeitsende in die Zuordnung eingetragen, bleibt sie möglicherweise nach der Rückkehr der zuständigen Person aktiv.

Die Änderung enthält deshalb Beginn, Ende und verantwortliche Rolle. Der Test prüft einen Fall innerhalb und einen ausserhalb des vorgesehenen Zeitraums. Ausserdem wird festgelegt, wie offene Vorgänge am Übergang behandelt werden. Eine bereits zugewiesene Anfrage darf nicht durch eine nächtliche Änderung unbemerkt ihre Verantwortung verlieren.

Diese zeitliche Grenze ist ein gutes Beispiel für die Stärke einer expliziten Regel. Die Bedingung ist klar prüfbar und benötigt keine sprachliche Interpretation. Gleichzeitig zeigt sie, dass der eigentliche Aufwand häufig in der fachlichen Definition liegt. Erst wenn diese Definition vorliegt, kann die technische Umsetzung den gewünschten Ablauf zuverlässig abbilden und eine spätere Prüfung erklären, warum ein konkreter Fall bei einer bestimmten Person landete.

Das Auswahlraster im Team anwenden

Nimm eine konkrete Aufgabe und beantworte schriftlich: Welche Eingabe liegt vor? Woher stammt die verbindliche Entscheidung? Ist sie vollständig als Regel beschreibbar? Welche Folgen hat ein falsches Ergebnis? Wer bearbeitet einen unbekannten Fall? Diese Antworten bestimmen die erste Umsetzung.

Wenn die Entscheidung eindeutig und stabil ist, beginne mit einer Regel. Wenn Sprache interpretiert werden muss, teste eine begrenzte KI-Aufgabe. Wenn Befugnisse, widersprüchliche Quellen oder hohe Fehlerfolgen im Spiel sind, bleibt eine fachliche Freigabe Teil des Ablaufs. Diese Einteilung wird anhand echter Testfälle überprüft.

Das Ergebnis ist eine kleine Architektur mit sichtbaren Grenzen. Eine Regel übernimmt den verlässlichen Vergleich, KI unterstützt beim Lesen, und eine berechtigte Person entscheidet dort, wo der Prozess eine solche Entscheidung verlangt. Jede Komponente hat eine konkrete Aufgabe und einen passenden Nachweis.

Quellenstand: 22.10.2026. Der Anthropic-Beitrag liefert die genannte Architekturunterscheidung. Auswahlraster, Servicefall und Testverfahren sind eigene Empfehlungen; sie sind keine Leistungszusage für ein Produkt.