Inhaltsverzeichnis
Es ist das Frühjahr 2025. Seit mindestens zwei Jahren wird uns die künstliche Intelligenz als die allumfassende Lösung um die Ohren geworfen und verkauft. Hype? Bubble? Wer weiß es schon.
Tatsache ist: Unsere Kund:innen bezahlen uns nicht dafür, ihnen Hypes zu verkaufen, sondern für die Umsetzung solider Konzepte, die Mehrwert bieten.
In diesem Post umreiße ich die Aufgabenbereiche, in denen die aktuelle Generation wirklich glänzt.
AI ist ungleich AI
Kurz: Der Begriff „AI“ umfasst verschiedene Bereiche, ähnlich wie wir Menschen unter „Hausbau“ auch alles verstehen – von kleinem Seehaus bis hin zur Villa.
Wichtig ist es, sich in diesem Jahr drei Kategorien anzusehen, gereiht nach Priorität:
- LLMs: Large Language Models, wie OpenAIs GPT-Serie (4o, o1, o3,…), Anthropics Claude, DeepSeek,…
- LVMs: Large Vision Models – auch hier wieder GPT, Claude; da diese sowohl Text als auch Bild verstehen, spricht man gern von „Multimodal“
- LAMs: Large Audio Models – Whisper, ElevenLabs,…
LLMs stehen für mich an Priorität 1, da vieles in der Geschäftswelt textbasiert passiert. Das ist das Fachgebiet dieser Modelle. Dort ist aktuell der größte Hebel, einen starken Mehrwert zu bieten. Daher fokussiere ich mich hier primär auf die Einsatzmöglichkeiten von LLMs.
Das können LLMs bereits jetzt gut
- Texte kürzen und anpassen: Sprachmodelle sind hervorragend darin, längere Texte zu analysieren und kompakt wiederzugeben. Auch das Umformulieren nach bestimmten Regeln funktioniert erstaunlich gut (nicht perfekt!).
- Muster Erkennen: Ob es um das Auslesen wichtiger Daten aus Dokumenten oder das Korrigieren von Text nach vordefinierten Regeln geht: Gibt man dem Modell ein klares Regelwerk und Beispiele, erkennt es Strukturen relativ zuverlässig und reduziert so manuelle Arbeit.
- Schnelles Feedback liefern: LLMs können Diskussionen oder Ideen in Echtzeit kommentieren und hilfreiche Denkanstöße geben. Sie ersetzen kein finales Review, sind aber ein schneller Sparringspartner für Erstentwürfe.
Und was bedeutet das konkret?
Diese Frage stellt man sich zu Recht, denn diese drei Bereiche sind recht abstrakt. Tatsächlich fallen aber überraschend viele alltägliche Büroarbeiten genau in diese Muster:
Präsentationen erstellen? Das ist Textreduktion. Rohmaterial muss auf eine übersichtliche, pointierte Form gebracht werden.
Zahlen analysieren und in Reports packen? Das ist Mustererkennung. Daten müssen in einem verständlichen Format dargestellt werden.
E-Mails und Dokumente umformulieren? Das ist Textanpassung. Tonalität oder Länge eines Textes müssen an den Kontext angepasst werden.
Protokolle oder Meeting-Notizen zusammenfassen? Textkürzung in Reinform.
Rechtliche oder technische Dokumente aufbereiten? Meist eine Kombination aus Textkomprimierung und dem Erkennen relevanter Muster.
Meetings nachbereiten? Text kürzen und als umsetzbare Aufgaben formulieren.
Wenn man den eigenen Alltag durchgeht, dann merkt man erst, wie oft es darum geht, Informationen zu kürzen oder anders darzustellen – sei es das Zusammenfassen von Calls, das Erstellen von To-do-Listen, das Durchsehen von Lebensläufen, das Personalisieren von Texten, das Ableiten von Social-Media-Posts oder die Aufbereitung von Dokumenten für Vorstände.
Was aber ist mit Texten generieren?
„Text generieren“ fehlt hier bewusst. Denn: Aus dem Nichts heraus etwas bahnbrechend Neues & korrektes zu kreieren, das geht noch nicht. LLMs werden zwar mittlerweile oft als „denkender Ersatz“ (Stichwort: „Reasoning“) angepriesen, doch am Ende sind sie immer noch eher sehr leistungsfähige Autovervollständigungen.
Dieser Satz soll die Nützlichkeit aber nicht schmälern: Uns Menschen ist schon extrem geholfen, wenn wir nicht jedes Mal von Null anfangen müssen (Weißes-Papier-Phänomen). Das bringt mich auch schon zum nächsten Punkt.
Menschen effizienter machen, nicht ersetzen
LLMs können vielen Teams Arbeitsaufwand abnehmen, indem sie repetitive Aufgaben beschleunigen. Doch einen ganzen Job komplett zu übernehmen, ist immer noch illusorisch. Menschen bringen Erfahrung, Kontextverständnis und vor allem Urteilsvermögen mit.
Technologie und menschliche Expertise ergänzen sich jedoch hervorragend: Wenn wir Workflows so gestalten, dass Modelle große Textberge vorsortieren oder bearbeiten, während wir nur noch die Feinjustierung vornehmen, profitieren alle Beteiligten.
Wo in deinem Business könnten LLMs echte Mehrwerte liefern?
Ob Textanalyse, Automatisierung oder effiziente Workflows – die richtigen Use Cases machen den Unterschied. Lass uns herausfinden, wie du AI sinnvoll in deine Prozesse integrieren kannst!
Nicht alles von AI erledigen lassen
Es ist verlockend, jede Logik an das Modell zu delegieren – nach dem Motto: „Wenn X, dann mach Y“. Aber das kann böse Überraschungen geben, weil LLMs nicht immer konsistent reagieren (Halluzinationen).
Wo klassische Programmierung ausreicht (z. B. Datenbank-Abfragen oder eindeutige Regeln), sollte man sie auch klassisch entwickeln lassen. So wird garantiert, dass sich Software immer vorhersehbar und zuverlässig verhält.
Fazit: Pragmatismus statt Hype
Wer AI-Apps baut, sollte klare Ziele und messbare Mehrwerte im Blick haben. Große Sprachmodelle sind dort stark, wo es um das Analysieren, Kürzen und Umformen von Text geht. Immer dann, wenn Regelwerke und Beispiele vorliegen, können sie Arbeit erheblich beschleunigen.
Allerdings gilt: Kein blindes Vertrauen in vollautomatisierte Lösungen – und Vorsicht bei allzu enthusiastischen „Alles geht“-Versprechen. Wir sind noch nicht an dem Punkt, an dem AI komplette Prozesse fehlerfrei steuert. Aber richtig eingesetzt, ist der Nutzen schon heute enorm: für bessere Workflows, bessere Insights und zufriedene Anwender:innen.
Wenn deine Idee in diesen Kontext passt, lohnt es sich, den Schritt zu wagen. Solide Projektansätze, fundiertes Fachwissen und realistische Erwartungen sorgen dafür, dass AI-Anwendungen im Jahr 2025 tatsächlich Mehrwert liefern – und nicht nur leere Hype-Blasen sind.