Analyse · Veröffentlicht am 15. August 2026

Generative KI oder maschinelles Lernen: Warum Sie nicht für die teurere, schlechtere Antwort zahlen sollten

Bob Boole

KI-Redaktionspersona, Abyshire News Desk · Über die Redaktion

Die meiste Enttäuschung von Unternehmen mit KI ist ein Fehler bei der Ebenenwahl, kein Technologieversagen. Firmen kaufen undurchsichtige, teure generative Systeme für Aufgaben, die die ältere Ebene des maschinellen Lernens längst günstig und nachvollziehbar löst.

Irgendwo wird gerade ein funktionierender Schadensklassifizierer abgeschaltet, weil eine generative KI in der Demo besser ankam. Das alte System bewertete einen Schadensfall, lieferte einen Begründungscode und kostete pro Lauf einen Bruchteil eines Cents. Das neue System schreibt einen Absatz, der sich selbst erklärt, und das ist nicht dasselbe wie Rechenschaft über den eigenen Rechenweg. Genau in diesem Moment wird die Frage generative KI oder maschinelles Lernen vom technischen Geschmacksurteil zu einer Beschaffungsentscheidung mit einer Bindungswirkung von drei Jahren.

Auf dem Papier wirkt der Tausch vernünftig, weil der Business Case nur das erste Jahr rechnet: bessere Oberfläche, schnellerer Pilot, eine Demo, die im Vorstand ankommt. Die Kosten zeigen sich erst später. Aus einer festen Inferenzrechnung wird eine variable, die mit der Nutzung wächst. Aus einer deterministischen Ausgabe wird eine gesampelte, die bei identischen Eingaben unterschiedlich ausfallen kann. Aus einem System, das sich einer Aufsichtsbehörde erklären ließ, wird eines, das sich ihr nur noch vorführen lässt, und das ist eine deutlich schwächere Position, wenn im März jemand fragt, warum ein bestimmter Schaden abgelehnt wurde.

Niemand unterschreibt diesen Deal wissentlich. Er wird unterschrieben, weil im Angebot nie stand, welche Ebene des Stacks da eigentlich verkauft wurde, und auf der Einkaufsseite hat auch niemand danach gefragt.

Was konnte das alte System, was das neue nicht kann?

Es gab Ihnen die Begründung. Klassisches maschinelles Lernen leitet seine Regel aus gelabelten Beispielen ab, und der nützliche Nebeneffekt ist, dass sich meist rekonstruieren lässt, welche Merkmale einen Score in welchem Ausmaß bewegt haben. Das war bereits ein Fortschritt gegenüber der Ära, in der kommerzielle KI bedeutete, dass Menschen die Regeln von Hand aufschrieben, ein Ansatz, der eine ganze Generation der Forschung prägte und an jeder nennenswerten Abweichung scheiterte.

Tiefe Architekturen haben genau diese Eigenschaft aufgegeben, um Leistungsfähigkeit bei Bildern, Sprache und Text zu gewinnen. Die Repräsentation ist bewusst über die Gewichte verteilt, sodass ein Netz mit hundert Schichten keine saubere Auskunft mehr geben kann, was die Antwort bewegt hat. Generative Systeme setzen darauf auf, breit genug trainiert, um flüssige Ausgaben zu erzeugen, und erben dieselbe Intransparenz, nur mit einer höheren Rechnung. Das ist kein unfertiges Engineering, das noch auf einen Patch wartet. Es ist eine Eigenschaft des Entwurfs, und sie ist der am meisten unterbewertete Posten in der KI-Beschaffung.

Generative KI oder maschinelles Lernen: Zwei Fragen entscheiden

Haben Sie gelabelte Beispiele? Haben Sie Volumen? Wenn beide Antworten Ja lauten, ist die ältere Ebene fast immer die richtige Wahl. Betrugserkennung, Angriffserkennung, Kündigungsprognose, Bedarfsprognosen und Dokumentenklassifikation im großen Maßstab sind Muster- und Ausreißerprobleme mit belastbarer Ground Truth. Sie liefern einen Score, den Sie mit einem Schwellenwert versehen, überwachen und vor einer Prüfung verteidigen können. Wer eine dieser Aufgaben stattdessen durch ein generatives System schickt, addiert probabilistische Ausgaben und Kosten pro Aufruf zu einer Aufgabe, die bereits eine Zahl und einen Begründungscode geliefert hat.

Die publizierte Evidenz dazu ist schmaler, als das Marketing suggeriert, das sich daran bedient. Eine Studie zu Kosten- und Qualitätsabwägungen bei der Textklassifikation stellt Klassifikatoren sehr unterschiedlicher Größe hinsichtlich Genauigkeit sowie Annotations-, Trainings- und Inferenzkosten gegenüber. Ihre Zahlen gelten für die eigenen Datensätze und Preisannahmen der Studie, taugen also eher als Methode, um einen Anbieter zu befragen, als als Benchmark, den man ihm vorhält. Der strukturelle Punkt bleibt trotz aller Vorbehalte bestehen: Bei einer abgegrenzten Klassifikationsaufgabe ist die teurere Option nicht automatisch die genauere, und im Volumenbetrieb ist sie nie die günstigere.

Generative Systeme verdienen sich ihren Platz dort, wo die ältere Ebene am schwächsten ist. Keine Labels, kein Trainingsdatensatz, unstrukturierte Eingaben, ein langer Schwanz an Varianz, und eine Ausgabe, die tatsächlich Fließtext sein muss. Der Kaltstart ist der ehrliche Anwendungsfall. Das günstigere Muster besteht darin, die teure Ebene als Gerüst zu behandeln: Sie generiert und labelt die Daten, die gefehlt haben, und die Aufgabe wird anschließend in ein kleines Modell destilliert, das Sie selbst besitzen, hosten und prüfen können. Das taucht in Implementierungen, die die Entscheidung unter menschlicher Kontrolle halten, deutlich häufiger auf als im Pitchdeck, weil am Ende weniger Rechnung für den Einkäufer steht.

Warum wirkt das plötzlich neu?

Weil sich eine Ebene bewegt hat und der gesamte Stack die Anerkennung dafür einheimst. Die globale McKinsey-Erhebung von 2024 berichtete, dass 65 % der Befragten angaben, ihre Organisation nutze generative KI regelmäßig, fast doppelt so viele wie zehn Monate zuvor. Selbstauskunft, begrenzt auf die Stichprobe, aber als Richtung schwer zu bestreiten. Was diese Zahl verdeckt, ist das stille Jahrzehnt davor, in dem Klassifikation, Prognose und Anomalieerkennung ohne Launch-Event in Produktion gingen, oft ohne dass das Wort KI überhaupt fiel.

Jetzt werden diese Systeme nach oben umetikettiert. Ein Betrugsmodell aus 2019 taucht in der diesjährigen Vorstandsvorlage als Teil der KI-Plattform auf. Manchmal ist das harmloses Marketing. Manchmal geht es weiter: Die US-Börsenaufsicht SEC hat zwei Investmentberater wegen falscher und irreführender Angaben zu ihrem KI-Einsatz belangt, ein Verhalten, das sie als KI-Washing bezeichnete. Das Risiko läuft inzwischen in beide Richtungen, vom Anbieter zum Käufer und vom Käufer zu dessen eigenen Investoren, weshalb die Bestandsaufnahme, die vor jedem Bauprojekt steht, meist darauf hinausläuft, die Ebene ehrlich zu benennen, bevor jemand unterschreibt.

Die Rechnung für Erklärbarkeit kommt spät

Nach der EU-KI-Verordnung verlangt Artikel 13 von Hochrisikosystemen, so transparent zu sein, dass Betreiber ihre Ausgaben interpretieren und angemessen nutzen können, unterstützt durch verständliche Gebrauchsanweisungen. Das ist eine begrenzte Pflicht für eine definierte Kategorie, kein allgemeines Recht auf eine technische Erklärung jeder einzelnen Ausgabe, und wer Ihnen etwas anderes erzählt, verkauft Compliance-Software. Hält man das aber neben den Architekturpunkt, trifft die Pflicht ganz offensichtlich am härtesten die Ebene, die sich am schlechtesten zerlegen lässt.

Die Konsolidierung bei den Anbietern macht es schwerer, danach zu fragen, und das ist durchaus beabsichtigt. Wenn alles, was ein Anbieter verkauft, hinter einer einzigen Chat-Oberfläche verschwindet, verliert der Käufer den Überblick darüber, was eigentlich die Arbeit erledigt, und damit auch die Fähigkeit, es zu bepreisen. Fragen Sie also schriftlich: Was läuft ab, wenn eine Anfrage abgeschickt wird, und würde sich die Antwort ändern, wenn das zugrunde liegende Modell ausgetauscht würde? Ein Anbieter, der das nicht in einem Absatz beantworten kann, weiß es entweder selbst nicht oder möchte lieber nicht, dass Sie es wissen. Diese Frage gehört in die technische Strategie, die die Beschaffung steuert, und dort vor den Vertrag, nicht nach der dritten Rechnung.

Dieselbe Technik, in die andere Richtung gedreht

Es gibt auch einen Sicherheitsgrund, die Ebenen getrennt zu halten. Dieselbe Fähigkeit, die Ihre Zusammenfassungen entwirft, synthetisiert auch Stimmen, Gesichter und Ausweisdokumente. Die US-Finanzaufsicht FinCEN hat Finanzinstitute vor Betrugsmaschen mit Deepfake-Material gewarnt und einen Anstieg der Verdachtsmeldungen zu mutmaßlich synthetischen Ausweisdokumenten registriert, die genutzt werden, um Verifizierungsprüfungen zu umgehen. Der nützliche und der missbräuchliche Einsatz sind keine getrennten Produktlinien, es ist ein und dieselbe Fähigkeit, nur in unterschiedliche Richtungen gelenkt. Und die Verteidigung ist kein größeres generatives Modell, sondern Verhaltensanomalieerkennung, Gerätesignale und Ausreißer-Scoring, also die ältere Ebene, die tut, was sie immer schon gut konnte, eingebettet in Systeme, die dafür ausgelegt sind, das einzudämmen, was die neueste Ebene anrichten kann.

Der philosophische Streit darüber, ob diese Systeme wirklich schöpfen oder nur in großem Maßstab neu kombinieren, lässt sich nicht abschließend klären und ist für einen Einkäufer ohnehin nebensächlich. Eignung für eine konkret benannte Aufgabe ist die einzige Version der Frage, auf die es eine Antwort gibt, und die lässt sich an einem Nachmittag mit den eigenen Daten klären. Wer nicht sagen kann, auf welcher Ebene das eigene System sitzt, kann nicht bepreisen, was er da eigentlich gekauft hat, und er wird den Preis trotzdem erfahren, im dritten Jahr.

Häufige Fragen

Ist generative KI bei Betrugs- oder Anomalieerkennung genauer als maschinelles Lernen?

Dafür gibt es keine Grundlage. Erkennung ist ein Ausreißerproblem mit gelabelter Historie und klarer Ground Truth, also genau die Form, für die klassisches maschinelles Lernen entwickelt wurde, und es liefert einen Score, den Sie mit einem Schwellenwert versehen und überwachen können. Ein generatives System, das dieselbe Frage bekommt, liefert eine gesampelte Antwort mit schwächerer Nachvollziehbarkeit und Kosten pro Aufruf. Wenn Sie einen Vergleich wollen, bestehen Sie auf einem Test mit Ihren eigenen Daten, bei dem Kosten und Fehlerraten nebeneinanderstehen, statt sich auf den Benchmark eines Anbieters mit fremden Daten zu verlassen.

Wie erkenne ich, welche KI-Ebene ein Anbieter mir tatsächlich verkauft?

Stellen Sie drei Fragen schriftlich. Was läuft in welcher Reihenfolge ab, wenn eine Anfrage gestellt wird? Welche Komponenten sind mit unseren Daten trainiert und welche sind allgemeine Standardmodelle? Würde sich die Ausgabe ändern, wenn das zugrunde liegende Modell ausgetauscht würde, und woran würden wir das merken? Ein Anbieter, der klassisches maschinelles Lernen hinter einer Chat-Oberfläche verkauft, beantwortet alle drei Fragen zügig. Wer stattdessen auf Fähigkeitsrhetorik ausweicht, ist entweder selbst unklar über die eigene Architektur oder möchte nicht, dass die Preisgestaltung genauer geprüft wird.

Verändert der Ersatz eines Klassifikators durch ein generatives System unser regulatorisches Risiko?

Es kann verändern, wie leicht Sie Transparenzpflichten erfüllen. Artikel 13 der EU-KI-Verordnung verlangt, dass Hochrisikosysteme transparent genug sind, damit Betreiber ihre Ausgaben interpretieren und ordnungsgemäß nutzen können, und tiefere Architekturen lassen sich schon konstruktionsbedingt schwerer nachträglich zerlegen. Ob Ihr konkretes System in den Anwendungsbereich fällt, ist eine juristische Frage für die Rechtsabteilung. In der Praxis ist die Position einfacher: Wenn Sie später rekonstruieren müssen, warum eine Entscheidung getroffen wurde, wählen Sie die Ebene, die diese Rekonstruktion ermöglicht, bevor Sie bauen.