„KI ohne Kontext ist doof" – Warum die klügsten Modelle der Welt im Alltag scheitern

Deutschlands KI-Transformation | Teil 1 von 3

GPT-5 weiß, was eine Lieferkette ist.

Es weiß nicht, dass Ihr Lieferant in Bratislava bei Bestellungen über 50.000 Euro eine Vorlaufzeit von 14 Werktagen braucht. Es weiß nicht, dass Ihre Freigabematrix ab diesem Schwellenwert den Einkaufsleiter und den CFO erfordert. Und es weiß nicht, dass die aktuelle EU-Lieferkettenrichtlinie für genau diesen Lieferanten eine spezifische Dokumentationspflicht auslöst.

Fragen Sie es trotzdem, bekommen Sie eine Antwort. Eine, die gut klingt, professionell formuliert ist und im besten Fall irrelevant, im schlimmsten Fall falsch.

Willkommen in der Realität der KI im Unternehmensalltag.

Das Rennen, das alle verfolgt haben und das, das wirklich zählt

Die globale KI-Debatte der vergangenen Jahre war dominiert von einer einzigen Frage: Wer baut die leistungsfähigsten Modelle? Diese Frage ist beantwortet. Eine Handvoll amerikanischer Unternehmen hat gewonnen. Das Rennen um die Grundlagenmodelle ist, für alle praktischen Zwecke, gelaufen.

Aber mit dieser Antwort entsteht eine weit unbequemere Erkenntnis: Ein Large Language Model, das alles weiß und nichts versteht, ist im Unternehmensalltag nahezu wertlos.

Das Wissen, das Unternehmen wirklich brauchen, steckt nicht in den Modellen. Es steckt in ERP-Systemen, in CRM-Datenbanken, in internen Wikis, in Compliance-Dokumentationen und im Kopf der erfahrensten Mitarbeiter. LLMs haben auf dieses Wissen strukturell keinen Zugriff. Sie wurden auf öffentlich verfügbaren Daten trainiert, nicht auf dem proprietären, hochspezifischen Wissen, das Unternehmen über Jahrzehnte aufgebaut haben.

KI ohne diesen Kontext ist doof. Nicht böswillig, nicht gefährlich, einfach nutzlos für die Entscheidungen, die täglich getroffen werden müssen.

Wenn die KI anfängt zu raten: Halluzinationen und „KI-Schluderei"

Noch schlimmer wird es, wenn das Modell seine Wissenslücken nicht eingesteht, sondern anfängt zu halluzinieren, also plausibel klingende, aber faktisch falsche Antworten generiert.

Die Folgen sind tückisch: Mitarbeiter, die einmal eine halluzinierte Antwort erhalten haben, verlieren das Vertrauen ins System. Oder – und das ist das gefährlichere Szenario – sie nutzen es weiter, ohne die Antworten zu prüfen. Das Ergebnis nennen Experten „Workslop" oder „KI-Schluderei": Pseudo-Arbeit, die Qualität vortäuscht, aber keine liefert.

Für Unternehmen ist das kein theoretisches Risiko. Es ist der Grund, warum viele KI-Pilotprojekte nach der Euphorie-Phase leise eingestellt werden, nicht weil die Technologie schlecht wäre, sondern weil sie ohne den richtigen Kontext nicht das liefert, was sie verspricht.

Was Unternehmen wirklich brauchen: Nicht ein Modell, sondern viele

Die Konsequenz ist tiefgreifend: Ein einzelnes, generisches Modell kann die Anforderungen eines Unternehmens nicht erfüllen. Was Organisationen tatsächlich brauchen, sind mehrere domänenspezifische Modelle, jeweils zugeschnitten auf die Sprache, die Daten und die Regulatorik eines bestimmten Funktionsbereichs:

• Einkauf braucht ein Modell, das Rahmenverträge, Preishistorien und das Lieferkettensorgfaltspflichtengesetz kennt.

• Vertrieb braucht eines, das CRM-Daten, Kundenhistorie und Wettbewerbsinformationen versteht.

• Produktion braucht eines, das Maschinendaten, Qualitätsprotokolle und Fertigungstoleranzen beherrscht.

• Logistik, Wartung, Service: jeder Bereich hat eigene Daten, eigene Regeln, eigene Risiken.

Und jedes dieser Modelle muss zusätzlich mit externem Wissen angereichert werden: Branchenstandards, regulatorische Anforderungen wie der EU AI Act oder die DSGVO, aktuelle Marktdaten. Dieses Wissen ist nicht statisch, es verändert sich, wenn sich Gesetze ändern, wenn neue Normen in Kraft treten, wenn Märkte sich verschieben.

Die eigentliche Frage

Wenn ein einzelnes Modell nicht reicht. Wenn Unternehmen domänenspezifische Modelle brauchen, die auf proprietärem Wissen basieren. Wenn dieses Wissen über Dutzende Systeme verteilt ist, sich ständig verändert und unter strengen regulatorischen Bedingungen genutzt werden muss…

…Wer orchestriert das alles?

Wer sorgt dafür, dass das richtige Modell die richtigen Daten bekommt, unter den richtigen Bedingungen, für den richtigen Nutzer und dass jede Entscheidung auditierbar bleibt?

Diese Frage führt zu einer neuen Softwarekategorie, die Analysten für größer halten als CRM und ERP zusammen. Und sie führt zu einer historischen Chance für Deutschland.

Aber dazu mehr in Teil 2: Die unsichtbare Schicht – Was Unternehmen zwischen KI und Wertschöpfung wirklich brauchen.

Diese Artikelserie basiert auf dem Positionspapier „Enterprise AI Management & Orchestration" von Karl-Heinz Land, CEO & Gründer der neuland.ai AG.

Bild generiert mit dem neuland.ai HUB.