KI-Technologien im Überblick: welche Technik welche Geschäftsfrage beantwortet
Wir empfehlen die einfachste Technik, die Ihre Frage messbar beantwortet, und das muss nicht die neueste sein.
Welche Technik zu Ihrer Geschäftsfrage gehört und welche einfache Referenz sie schlagen muss, zeigt die Tabelle weiter unten.
KI-Technologien: Definition und Einordnung
KI-Technologien sind die Verfahren, mit denen Software aus Daten eine Vorhersage, eine Empfehlung, einen Text oder eine Entscheidung ableitet. Der Begriff bezeichnet kein einzelnes Verfahren, sondern eine Familie, deren Mitglieder verschiedene Fragen beantworten und verschiedene Daten brauchen. Die KI-Verordnung der EU bestimmt den Begriff des KI-Systems eigens, unter anderem über einen in unterschiedlichem Grade autonomen Betrieb [1]. Diese Übersicht ordnet die Verfahren dagegen nach der Geschäftsfrage.
Wie KI im Betrieb Nutzen stiftet: angewandte künstliche IntelligenzDie Verfahren der künstlichen Intelligenz lassen sich als ineinander liegende Kreise darstellen. Den äußeren Kreis bildet die KI als Oberbegriff. Darin liegt das maschinelle Lernen, englisch Machine Learning, das aus Beispielen eine Regel lernt und auf neue Fälle anwendet. Es nutzt dieselbe Mathematik wie die Statistik, die prüft, ob ein Zusammenhang in Daten mehr ist als Zufall. Im maschinellen Lernen liegt Deep Learning, das mit vielschichtigen neuronalen Netzen arbeitet und aus Rohdaten selbst lernt, welche Merkmale zählen [2]. Generative KI, die Texte oder Bilder erzeugt, ist eher eine Aufgabe als ein eigener Kreis. Ein frühes bekanntes Beispiel ist das Sprachmodell GPT-3 von 2020 mit 175 Milliarden Parametern, also Stellgrößen, die ein Netz beim Training anpasst [3].
Deep Learning und die darauf aufbauende generative KI haben sich als letzte durchgesetzt. 2012 klassifizierte ein tiefes neuronales Netz Bilder deutlich genauer als die bis dahin führenden Verfahren [4]. 2017 folgte die Transformer-Architektur, die ganz auf den sogenannten Attention-Mechanismus setzt [5].
Dass sich Deep Learning und generative KI als letzte durchgesetzt haben, macht sie nicht automatisch zu den passenden Verfahren. Die Daten aus ERP, Warenwirtschaft und Maschinensteuerung liegen als Tabellen und Zeitreihen vor. Auf Tabellen mit rund 10.000 Zeilen lagen baumbasierte Verfahren wie Gradient Boosting, das viele einfache Entscheidungsbäume kombiniert, in einer großen Vergleichsstudie von 2022 vor tiefen Netzen [6]. 2025 berichteten die Entwickler eines vortrainierten Tabellenmodells auf Transformer-Basis, es habe auf Datensätzen bis 10.000 Zeilen alle bisherigen Verfahren deutlich übertroffen [7]. Für die Praxis ist deshalb nicht die Verfahrensfamilie entscheidend, sondern der Vergleich mit einer einfachen Referenz an Ihren eigenen Daten.
Die Stärke generativer KI liegt dort, wo Sprache verarbeitet wird, etwa beim Zusammenfassen oder Auswerten von Freitext. Eine Absatzprognose oder die Schätzung einer Restlebensdauer ist dagegen Aufgabe von Verfahren, die an Ihren Zahlen gegen eine Referenz gemessen werden. Deshalb nennt die Tabelle weiter unten zu jeder Frage eine einfache Referenz, an der sich das lernende Verfahren messen lassen muss.
Die Landkarte der KI-Technologien: sechs Felder
Die Landkarte ordnet die KI-Technologien nach dem Weg eines Vorhabens, von den Daten bis in den Betrieb. Jedes Feld führt zu seinem Abschnitt weiter unten.
Häufige Fragen zu KI-Technologien
Was sind KI-Technologien?
KI-Technologien sind Verfahren, mit denen Software aus Daten Vorhersagen, Empfehlungen, Inhalte oder Entscheidungen ableitet. Dazu zählen das maschinelle Lernen mit seinen klassischen Verfahren, tiefe neuronale Netze und generative KI. Die Statistik liefert dafür die Grundlage und die Referenz. Jede Technik beantwortet eine andere Art von Frage und braucht andere Daten.
Wie hängen künstliche Intelligenz und Machine Learning zusammen?
Künstliche Intelligenz ist der Oberbegriff. Machine Learning ist der Teil davon, der Regeln aus Beispielen lernt, statt sie von Hand zu programmieren. Ein Modell lernt etwa aus den Verkäufen vergangener Jahre, wie viel von einem Artikel in einer Saisonwoche abgesetzt wird, und wendet das Gelernte auf die kommende Saison an.
Deep Learning: Definition, Verfahren und wann es sich lohntWelche KI-Technologien eignen sich für den Mittelstand?
Für Daten aus ERP, Warenwirtschaft und Maschinensteuerung, also Tabellen und Zeitreihen, sind klassische Verfahren wie Gradient Boosting, Zeitreihenmodelle und Anomalieerkennung die ersten Kandidaten, neuerdings auch vortrainierte tiefe Netze für Tabellen. Bei Bildern und langen Sensorverläufen kommen andere tiefe Netze hinzu, bei Texten Sprachmodelle. Die Wahl richtet sich nach Ihrer Frage und Ihren Daten.
KI im Mittelstand: was heute realistisch machbar istBraucht jedes KI-Projekt Deep Learning?
Nein. Auf Tabellen mittlerer Größe lagen baumbasierte Verfahren wie Gradient Boosting 2022 in einer Vergleichsstudie vorn [6]. 2025 meldeten die Entwickler eines vortrainierten tiefen Netzes für Tabellen, es übertreffe sie bis 10.000 Zeilen [7]. Entscheidend ist der Vergleich an Ihren Daten, bei dem ein tiefes Netz das einfachere Verfahren schlagen muss. Bei Bildern und Sprache sind tiefe neuronale Netze die naheliegende Wahl.
Deep Learning: Definition, Verfahren und wann es sich lohntWofür eignet sich generative KI im Unternehmen und wofür nicht?
Generative KI eignet sich für Aufgaben mit Sprache: Dokumente zusammenfassen, Wissen auffindbar machen und Freitext auswerten. Ein Sprachmodell, das Texte schreibt, ist nicht für Prognosen von Absatz, Bedarf oder Ausfällen ausgelegt. Dafür gibt es Verfahren, deren Fehler sich an historischen Daten messen lässt.
Welche Daten brauchen KI-Verfahren?
Sie brauchen Daten, in denen das Ereignis vorkommt, das vorhergesagt werden soll, mit Datum und in ausreichender Zahl. Ein Ausfallmodell braucht dokumentierte Ausfälle, eine Absatzprognose mit Saison mindestens zwei volle Saisonzyklen und eine Bildprüfung beschriftete Beispiele. Fehlt diese Grundlage, beginnt das Vorhaben mit der Datenerfassung.
Was kostet der Einsatz von KI-Technologien?
Rechnen Sie neben den Kosten für das Verfahren vor allem mit den Kosten für die Daten und für die Einbindung in Ihre Systeme. Belastbar wird die Rechnung, wenn der Nutzen vorher in Euro beziffert ist und die Kosten für Überwachung und Nachtraining abgezogen sind. Ein Vorhaben ohne tragfähige Rechnung fällt so früh auf.
Wie finde ich die passende KI-Technik für meine Frage?
Beginnen Sie mit der Entscheidung, die besser werden soll, und mit einem Erfolgskriterium in Euro. Danach wird geprüft, ob sich die Frage mit Ihren Daten beantworten lässt. Erst dann werden zwei oder drei Verfahren mit einer einfachen Referenz verglichen, und gewählt wird das einfachste, das sie deutlich schlägt.
KI-Technologien im Detail: die Themenseiten
Jede Karte führt zu einer Seite mit Definition, Verfahren und Grenzen.
Daten
Bei den Daten entscheidet sich, ob sich der übrige Aufwand lohnt, denn was sie nicht enthalten, kann kein Verfahren ergänzen.
Datenbereinigung
Leitfrage: Welche Mängel in Ihren Daten kosten Geld oder verfälschen eine Entscheidung, und welche dürfen bleiben? Ergebnis: ein bereinigter Bestand für einen benannten Zweck, mit Regelwerk, Änderungsprotokoll und Pipeline.
Datenbereinigung: Verfahren, Kosten und RechenbeispielFeature Engineering
Leitfrage: Welche Merkmale machen aus Rohdaten ein Signal, und was darf ein Merkmal zum Zeitpunkt der Vorhersage wissen? Ergebnis: Merkmale aus dem Wissen Ihres Fachbereichs, bei denen geprüft ist, dass keines Informationen aus der Zukunft enthält.
Feature Engineering: Merkmale bilden, Data Leakage vermeidenDatenqualität
Leitfrage: Lässt sich Ihre Frage mit Ihren Daten überhaupt beantworten? Ergebnis: ein Urteil je Datenquelle nach sechs Kriterien mit Messgrößen.
Datenqualität: Kriterien, Messung, KostenExplorative Datenanalyse
Leitfrage: Was zeigen Verteilungen, Zusammenhänge und Ausreißer, bevor ein Modell gebaut wird? Ergebnis: ein Bild Ihrer Daten und eine einfache Referenz, an der sich jedes Modell messen lassen muss.
Explorative Datenanalyse und ModellierungPrognose
Prognoseverfahren schätzen eine Größe, die Sie heute noch nicht kennen, etwa den Absatz der nächsten zwölf Wochen. Eine belastbare Prognose nennt auch ihre Spanne.
Predictive Maintenance
Leitfrage: Wann fällt eine Anlage voraussichtlich aus, und reicht die Vorwarnzeit zum Handeln? Ergebnis: eine Ausfallwahrscheinlichkeit je Anlage und Zeitraum, gemessen am Wartungsplan nach Kalender.
Predictive Maintenance: Definition, Ablauf, RechenbeispielZeitreihenanalyse
Leitfrage: Welcher Teil Ihrer Verläufe ist Trend und Saison, welcher Zufall, und was kostet ein Prognosefehler? Ergebnis: eine Prognose mit Spanne statt einer einzelnen Zahl, im Backtest gegen Ihre heutige Planung gemessen.
Zeitreihenanalyse: Trend, Saison und Prognose mit SpanneKlassisches maschinelles Lernen
Zum klassischen maschinellen Lernen gehören Entscheidungsbäume, Gradient Boosting, Clustering, das ähnliche Fälle zu Gruppen zusammenfasst, und viele Verfahren der Anomalieerkennung. Sie arbeiten mit Tabellen, deren Merkmale ein Mensch aus den Rohdaten gebildet hat.
Tiefe neuronale Netze und Bilddaten
Tiefe neuronale Netze lernen aus Rohdaten wie Bildern, Ton oder Sensorverläufen selbst, welche Merkmale zählen [2]. Sie brauchen eine Referenz, an der ihr Vorsprung gemessen wird, und in der Regel beschriftete Beispiele. Computer Vision gehört in dieses Feld, weil bei Bildern die tiefen Netze den Durchbruch brachten [4]. Lässt sich ein Merkmal messen, etwa ein Maß, genügt dafür die klassische Bildverarbeitung mit festen Regeln.
Deep Learning
Leitfrage: Wann lohnen sich tiefe neuronale Netze, und wann genügt ein einfacheres Verfahren? Ergebnis: eine begründete Wahl zwischen beiden und die Schwelle, ab der sich ein tiefes Netz rechnet.
Deep Learning: Definition, Verfahren und wann es sich lohntComputer Vision
Leitfrage: Was kann eine Kamera mit einem Modell verlässlich erkennen, und wann genügt eine feste Regel? Ergebnis: eine Bildprüfung, deren zwei Fehler bekannt sind, nämlich übersehene Fehlteile (Schlupf) und zu Unrecht verworfene Gutteile (Pseudoausschuss).
Computer Vision: Bilderkennung, Nutzen und VoraussetzungenSprache und generative KI
Sprachmodelle lesen, sortieren und erzeugen Text. Sie helfen dort, wo Wissen in Dokumenten, E-Mails oder Freitext steckt. Eine Themenseite, zwei Research-Artikel und ein Anwendungsfall ordnen das Feld ein.
Warum 95 % der GenAI-Pilotprojekte scheitern Souveräne KI, ehrlich gerechnet: Was On-Premises wirklich kostet Retourengründe analysieren: Textanalyse auf Freitext-KommentarenPrüfung und Betrieb
Zwei Prüfungen braucht jedes Modell, gleich aus welchem Feld es stammt: ob es sich auch auf neuen Daten bewährt und warum es so entscheidet. Nutzen schafft ein Modell erst, wenn seine Ausgabe in einem Ablauf ankommt und dort jemand danach handelt.
Modellvalidierung
Leitfrage: Bewährt sich das Modell auch auf Daten, die es nie gesehen hat? Ergebnis: ein Prüfbericht mit Kennzahlen und einer Freigabeempfehlung.
Modellvalidierung: Overfitting erkennen, Modelle prüfenExplainable AI
Leitfrage: Warum hat das Modell so entschieden? Ergebnis: die Treiber des Modells und des einzelnen Falls, erklärt in Geschäftssprache.
Explainable AI: erklärbare KI verständlich erklärtProzessautomatisierung
Leitfrage: Welche Entscheidungen in Ihren Abläufen kann ein Modell vorbereiten, und wo genügt eine feste Regel? Ergebnis: Standardfälle zur Sammelfreigabe und Ausnahmen mit Begründung. Dabei schlägt das Modell vor, und ein Mensch gibt frei.
Prozessautomatisierung mit KI: erst messen, dann rechnenMLOps
Leitfrage: Wie kommt ein Modell in den Betrieb, und wer merkt, wenn es nachlässt? Ergebnis: ein produktives System mit Monitoring und Betriebsübergabe an Ihr Team.
MLOps erklärt: Deployment, Drift, NachtrainingWelche Technik für welche Geschäftsfrage
Die Tabelle beginnt bei der Frage, wie sie eine Geschäftsleitung stellt. Die Spalte „Muss schlagen" nennt die einfache Referenz. Alle Beispiele sind Modellrechnungen über fiktive Unternehmen mit angenommenen Werten und geben keine Kundenergebnisse wieder. Wie ein Betrag gerechnet ist, ob brutto, netto oder als Umsatz, steht in der jeweiligen Zeile.
| Geschäftsfrage | Passende Technik | Muss schlagen | Beispiel (Modellrechnung, fiktives Unternehmen) |
|---|---|---|---|
| Welche Anlage fällt als Nächste aus? | Predictive Maintenance: Survival-Modell (schätzt die Ausfallwahrscheinlichkeit im Zeitraum) und LSTM (neuronales Netz für Zeitreihen) | Wartungsplan nach Kalender | Produktion: 32 Prozent der ungeplanten Stunden werden planbar, 216.000 Euro Bruttonutzen im Jahr Predictive Maintenance in der Produktion |
| Wie viel Saisonware produzieren wir vor der Spitze? | Zeitreihenprognose mit Gradient Boosting und Spanne (Quantile) | Vorjahresmethode | Lebensmittel: Prognosefehler 9,4 statt 21,8 Prozent (Beispielwerte), 331.500 Euro Bruttoeffekt vor Umsetzungskosten. Die Menge folgt nicht allein aus dem mittleren Fehler, sondern aus den Kosten von Fehlmenge und Übermenge Saisonmenge prognostizieren |
| Welche Kunden kündigen in den nächsten 90 Tagen? | Klassifikation mit Gradient Boosting | Regel „30 Tage kein Besuch" | Verlag: 1.215 gehaltene Abos, 102.060 Euro Umsatz im Jahr Churn-Frühwarnung im Verlag |
| Wie lange steht unser Lkw an welcher Rampe? | Neuronales Netz für Zeitreihen (LSTM, das die wichtigsten zurückliegenden Anfahrten stärker gewichtet) | Durchschnitt der letzten Anfahrten beim Kunden | Logistik: plus minus zwölf statt 16 Minuten, 132.300 Euro im Jahr als realisierbar angesetzt, vor Systemkosten Standzeiten an der Rampe |
| Wo verbrauchen wir mehr, als zur Last passt? | Anomalieerkennung mit Erwartungswert je Lkw | Flottendurchschnitt | Logistik: 161.688 Euro im Jahr aus 1,5 Prozent Diesel und vermiedenen Folgeschäden, vor Systemkosten Dieselverbrauch-Anomalien |
| Welche Größe behält der Kunde? | Collaborative Filtering (lernt aus dem Verhalten ähnlicher Kunden) | Größentabelle ohne Empfehlung | Mode: 82 Prozent Trefferquote (angenommen), Retourenquote bei Jeans 38 auf 31 Prozent Retourenquote senken mit Größenempfehlung |
| Warum schicken Kunden Ware zurück? | Textanalyse (Topic-Modell, gruppiert Kommentare nach Themen) | Retourengrund aus der Dropdown-Auswahl | Mode: 210.000 Freitext-Kommentare, fünf Ursachen hinter „Passt nicht" Retourengründe analysieren |
| Wie viele Monate Rohstoffdeckung halten wir? | Regime-Modell (erkennt die Marktlage) mit Deckungsregel | Kauf nach Bedarf | Rohstoffe: Einstandskosten streuen um plus minus 8,1 statt 14,2 Prozent Kakaodeckung nach Marktlage |
| Lässt sich eine Sichtprüfung am Bild automatisieren? | Computer Vision: feste Regel, wo das Merkmal messbar ist, sonst lernendes Bildmodell | heutige Sichtprüfung | Produktion: Prüffehler heute 499.149 Euro im Jahr, mit Kamera mittleres Szenario 160.851 Euro Ersparnis, vorsichtiges 177.447 Euro Mehrkosten, je vor Systemkosten Computer Vision: Rechenbeispiel Schlupf und Pseudoausschuss |
| Welche Bestellvorschläge muss ein Disponent wirklich ansehen? | Klassifikation von Ausnahmen | Einzelprüfung jedes Vorschlags | Großhandel: 60.000 Bestellvorschläge, 54.600 Euro Nettoeffekt im Jahr vor Einmalaufwand, statt 108.000 Euro nach dem bloßen Automatisierungsgrad Prozessautomatisierung: Rechenbeispiel aus der Disposition |
In jeder Zeile gilt: Schlägt das Modell die Referenz nicht, bleibt es bei der Referenz.
Gemessen statt angenommen: In unserer Forschung zur Malaria-Erkennung übersah ein Faltungsnetz (CNN) auf einem getrennten Testset 3 von 1.300 infizierten Zellen, was einer Sensitivität von 99,77 Prozent entspricht. Unter elf Varianten hatte es dort die wenigsten Infektionen übersehen und wurde deshalb gewählt. Der Wert ist damit eher eine Obergrenze. Die Messung stammt aus einem öffentlichen, medizinischen Datensatz und ist kein Industriefall.
Malaria-Erkennung mit Deep Learning: elf Modellvarianten im VergleichWoran Sie eine belastbare Technikentscheidung erkennen
Sie müssen KI-Technologien nicht selbst beurteilen können. Fünf Prüfsteine genügen, gleich von wem der Vorschlag kommt.
- Das Erfolgskriterium steht vor dem Modell. Es steht fest, welche Entscheidung besser werden soll und was die Verbesserung in Euro wert ist.
- Am Anfang steht eine einfache Referenz. Der Wartungsplan nach Kalender oder die Vorjahresmethode sind der Maßstab, den ein Modell schlagen muss.
- Die Daten sind geprüft, bevor das Verfahren gewählt wird. Der Vorschlag nennt, welche Quellen ausreichen, welche nachzubessern sind und welche fehlen.
- Die Grenzen sind benannt. Der Vorschlag sagt, was das Modell nicht leisten kann und unter welcher Bedingung das Vorhaben abgebrochen wird.
- Der Betrieb ist mitgedacht. Es ist geklärt, wer nach der Ausgabe handelt, wer das Modell überwacht und wann es neu trainiert wird.
Belastbar ist eine Technikentscheidung erst, wenn alle fünf Punkte erfüllt sind. Einen seriösen Anbieter erkennen Sie daran, dass er diese Punkte von sich aus vorlegt, bevor er über ein Verfahren spricht, und Ihnen auch sagt, wann sich ein Vorhaben nicht rechnet.
Quellen
- Verordnung (EU) 2024/1689 des Europäischen Parlaments und des Rates vom 13. Juni 2024 (Verordnung über künstliche Intelligenz), ABl. L vom 12.7.2024, Artikel 3 Nummer 1 („KI-System"). https://eur-lex.europa.eu/legal-content/DE/TXT/HTML/?uri=OJ:L_202401689
- LeCun, Y., Bengio, Y., Hinton, G. (2015): Deep learning. Nature 521 (7553), S. 436-444. https://doi.org/10.1038/nature14539
- Brown, T. B. et al. (31 Autoren) (2020): Language Models are Few-Shot Learners. arXiv:2005.14165. https://arxiv.org/abs/2005.14165
- Krizhevsky, A., Sutskever, I., Hinton, G. E. (2012): ImageNet Classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems 25 (NIPS 2012). https://papers.nips.cc/paper_files/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html
- Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., Polosukhin, I. (2017): Attention Is All You Need. arXiv:1706.03762. https://arxiv.org/abs/1706.03762
- Grinsztajn, L., Oyallon, E., Varoquaux, G. (2022): Why do tree-based models still outperform deep learning on typical tabular data? Advances in Neural Information Processing Systems 35 (NeurIPS 2022), Datasets and Benchmarks Track. https://proceedings.neurips.cc/paper_files/paper/2022/hash/0378c7692da36807bdec87ab043cdadc-Abstract-Datasets_and_Benchmarks.html
- Hollmann, N., Müller, S., Purucker, L., Krishnakumar, A., Körfer, M., Hoo, S. B., Schirrmeister, R. T., Hutter, F. (2025): Accurate predictions on small data with a tabular foundation model. Nature 637 (8045), S. 319-326. https://doi.org/10.1038/s41586-024-08328-6
Bringen Sie Ihre Geschäftsfrage mit
Im Erstgespräch klären wir, welche Technik zu Ihrer Frage und zu Ihren Daten passt, und sagen Ihnen auch, wenn Sie keine brauchen.
Kostenloses Erstgespräch buchen