Wann klassische Automatisierung besser ist als KI

Kurz gesagt: Wenn sich eine Aufgabe eindeutig beschreiben lässt, ist klassische Automatisierung meist die bessere Wahl: schneller, günstiger, nachvollziehbar und jedes Mal gleich. KI lohnt sich dort, wo Sprache, Kontext oder unstrukturierte Inhalte im Spiel sind. Am stärksten ist oft die Kombination: Regeln stecken den Rahmen ab, KI übernimmt den uneindeutigen Teil, und Prüfungen kontrollieren das Ergebnis.

Seit KI-Werkzeuge überall auftauchen, höre ich in Projekten immer öfter die Frage: „Können wir das nicht mit KI machen?“ Manchmal ist die ehrliche Antwort: Ja, aber es wäre die schlechtere Lösung. In diesem Artikel zeige ich dir, woran ich das festmache.

Woran du erkennst, dass feste Regeln reichen

Klassische Automatisierung heißt: Ein Skript, ein Import, eine Regel im Shopware Rule Builder oder ein kleines Plugin erledigt die Aufgabe nach festen Vorgaben. Das ist besonders dann die richtige Wahl, wenn:

• gleiche Eingaben immer dasselbe Ergebnis liefern sollen. Ein Preis, eine Versandart oder ein Lagerstatus darf nicht mal so und mal so ausfallen.
• Werte exakt berechnet oder geprüft werden müssen. Steuern, Rabatte, Mindestmengen oder Pflichtfelder sind Rechenaufgaben, keine Sprachaufgaben.
• jede Entscheidung nachvollziehbar sein muss. Wenn du später erklären musst, warum etwas passiert ist, hilft eine Regel mehr als ein Modell.
• es nur wenige, klar benennbare Ausnahmen gibt. Drei Sonderfälle schreibt man als Bedingung, nicht als Prompt.
• ein Import oder eine Schnittstelle genügt. Daten von A nach B zu bringen ist Abbildung, keine Interpretation.

In all diesen Fällen bringt KI vor allem neue Probleme mit: Kosten pro Aufruf, schwankende Ergebnisse und Fehler, die schwer zu finden sind.

Beispiel 1: Fehlende Produktbilder finden

In einem B2B-Shop für Berufsbekleidung mit über 10.000 Artikeln wollte der Kunde wissen, wo Bilder fehlen. Die Bilder kommen aus der Warenwirtschaft, und manchmal überträgt der Abgleich nicht alles.

Das klingt nach einer Aufgabe für Bilderkennung. Ist es aber nicht. Die Regel des Katalogs ist eindeutig: Das erste eigene Bild einer Variante ist das Produktbild, das zweite das Modelbild. Ob eine Variante zwei eigene Bilder hat, beantwortet eine einzige Datenbankabfrage.

Also habe ich eine Prüfung in der Shopware-Administration gebaut: auswählen, starten, Ergebnis als CSV herunterladen. Ergebnis im Testshop: von gut 32.000 aktiven Varianten hatten über 1.000 gar kein eigenes Bild und über 9.600 nur ein Produktbild. Das Ganze dauert Sekunden, kostet nichts und liefert bei jedem Lauf dasselbe Ergebnis.

Beispiel 2: Cross-Selling ohne KI

Ein zweites Beispiel aus demselben Shop: Zu jedem Artikel sollten automatisch passende Ergänzungen („Passt dazu“) und Alternativen („Ähnliche Artikel“) erscheinen.

Auch hier lag die Lösung in den vorhandenen Daten. Der Katalog hat parallele Kategoriebäume für Branchen und Produktarten. Alternativen teilen sich eine Produktart, Ergänzungen teilen sich eine Branche, gehören aber zu einer anderen Produktart. Dazu kommt, welche Artikel in Bestellungen gemeinsam vorkommen.

Das Ergebnis landet im normalen Shopware-Cross-Selling. Jede Empfehlung lässt sich erklären: „gleiche Branche, andere Produktart“ oder „wurde zusammen bestellt“. Mit einem Sprachmodell wäre das weder besser noch nachvollziehbarer geworden.

Wo KI wirklich hilft

KI wird interessant, wenn eine Aufgabe nicht mehr eindeutig beschreibbar ist:

• Sprache: Produkttexte schreiben, Herstellertexte vereinheitlichen, Übersetzungen vorbereiten.
• Kontext: erkennen, dass zwei unterschiedlich benannte Merkmale dasselbe meinen, zum Beispiel „Baumwolle 100 %“ und „reine Baumwolle“.
• Widersprüche: Hinweise finden, dass Herstellerangaben nicht zusammenpassen.
• Unstrukturierte Inhalte: Informationen aus PDFs, E-Mails oder Freitext herausziehen.

Hier stoßen feste Regeln schnell an Grenzen, weil man jede Formulierung vorher kennen müsste.

Die stärkste Lösung: Regeln und KI zusammen

In der Praxis ist es selten ein Entweder-oder. Ein guter Ablauf sieht oft so aus:

1. Regeln bereiten vor. Daten werden bereinigt, Pflichtfelder geprüft, unpassende Fälle aussortiert.
2. KI bearbeitet den uneindeutigen Teil. Zum Beispiel den Text, die Zuordnung oder die Zusammenfassung.
3. Regeln prüfen das Ergebnis. Stimmen Normen, Maße und Pflichtangaben? Sind verbotene Formulierungen drin?
4. Ein Mensch entscheidet bei Auffälligkeiten. Nicht jeder Datensatz, aber jeder auffällige.

So bleibt die KI in einem klar begrenzten Rahmen, und du bekommst ihre Stärken ohne ihre typischen Schwächen.

Checkliste: Regel oder KI?

• Lässt sich die Aufgabe in Wenn-dann-Sätzen beschreiben? → Regel
• Muss das Ergebnis exakt und jedes Mal gleich sein? → Regel
• Geht es um Sprache, Bedeutung oder Freitext? → KI prüfen
• Gibt es tausende Formulierungen für dasselbe? → KI prüfen
• Sind Fehler teuer oder rechtlich relevant? → Regel als Kontrolle, auch wenn KI mitarbeitet

Häufige Fragen

Ist KI nicht flexibler als feste Regeln?

Ja, aber Flexibilität ist nicht immer gewünscht. Bei Preisen, Steuern oder Lagerbeständen willst du keine Kreativität, sondern Verlässlichkeit.

Was kostet der Einsatz von KI im Vergleich?

Eine Regel kostet nach der Entwicklung praktisch nichts pro Durchlauf. Bei Cloud-KI zahlst du pro Anfrage, bei lokaler KI für Hardware und Strom. Dazu kommt bei KI immer der Aufwand für Prüfungen.

Wie finde ich heraus, was bei mir sinnvoll ist?

Schreib die Aufgabe so genau auf, wie du sie einem neuen Mitarbeiter erklären würdest. Wenn das in klaren Regeln gelingt, brauchst du keine KI. Wenn du merkst, dass du „kommt drauf an“ schreibst, lohnt sich ein Blick auf KI.