Seit Jahren begleitet uns in der Informatik ein Satz, der erstaunlich gut gealtert ist:
Bullshit in, bullshit out.
Gemeint war schon immer: Ein Computer kann nur so gute Ergebnisse liefern wie die Daten und Regeln, die man ihm gibt.
Mit generativer KI ist das nicht weniger wahr geworden, sondern sichtbarer. Der häufige Irrtum lautet heute, KI könne schlechte Grundlagen einfach wegzaubern: aus unstrukturierten Dokumenten Wissen machen, aus unklaren Anforderungen saubere Software oder aus beliebigen Prompts originelle Ergebnisse.
In der Praxis passiert meist das Gegenteil. KI skaliert vorhandene Qualität oder vorhandenes Chaos.
Wenn Sie den Aufbau lokaler KI-Workflows Schritt für Schritt sehen möchten, passen diese Beiträge direkt dazu:
1. Dokumentensuche: KI ersetzt keine Informationsarchitektur
Ein klassischer Einstieg in KI-Projekte ist die interne Dokumentensuche, oft in Form von RAG-Systemen.
Die Ausgangslage ist fast immer ähnlich: tausende PDFs, Word-Dateien, Wikiseiten, Präsentationen. Die Erwartung liegt nahe:
“Wir hängen eine KI davor, dann beantwortet sie künftig alle Fragen.”
Technisch klappt das oft erstaunlich gut. Organisatorisch beginnen an genau dieser Stelle aber die eigentlichen Probleme.
Die KI weiß nicht automatisch,
- welches Dokument aktuell gültig ist,
- welche Version freigegeben wurde,
- ob ein Entwurf bereits verworfen wurde,
- welche Richtlinie nur historisch relevant ist,
- welche SOP nur für einen bestimmten Standort gilt.
Findet das System mehrere Quellen mit widersprüchlichen Aussagen, erzeugt es oft eine plausible Antwort. Diese klingt überzeugend und kann trotzdem falsch sein.
Nicht weil die KI versagt, sondern weil ihr entscheidende Kontextinformationen fehlen.
Darum beginnt ein belastbares KI-Projekt selten mit einem Modellwechsel. Es beginnt mit klassischem Informationsmanagement:
- saubere Metadaten,
- eindeutige Versionierung,
- klarer Approval-Status,
- Verantwortlichkeiten,
- sinnvolle Verschlagwortung.
Wer den technischen Unterbau dazu transparent aufbauen möchte, findet im Beitrag RAG ohne Magie eine konkrete, auditierbare Pipeline von Markdown bis Retrieval.
2. Agentisches Coding: Der eigentliche Code entsteht vor dem Code
Noch deutlicher wird das Muster beim agentischen Programmieren.
Heute können KI-Agenten in kurzer Zeit ganze Funktionen, Refactorings oder sogar Prototypen erzeugen. Das ist beeindruckend. Der Unterschied zwischen kurzfristig funktionierendem Code und langfristig wartbarer Software entsteht aber nicht während der Generierung, sondern davor.
Ein Agent braucht einen klaren Rahmen:
- Wie ist das Projekt strukturiert?
- Welche Architektur wird verfolgt?
- Welche Prinzipien gelten verbindlich?
- Welche Bibliotheken dürfen verwendet werden?
- Wie sehen Coding Guidelines aus?
- Welche Teststrategie existiert?
- Wie wird dokumentiert?
Fehlt dieser Rahmen, produziert die KI meist genau das, was implizit verlangt wurde: funktionierenden Code.
Aber funktionierend ist nicht gleich gut.
Ohne Leitplanken entstehen schnell inkonsistente Architekturen, doppelte Implementierungen, wechselnde Designmuster, technische Schulden und damit schwer wartbare Systeme.
Interessanterweise verschiebt KI die Rolle von Entwicklern weiter in Richtung Architektur. Früher floss ein großer Teil der Zeit ins Tippen einzelner Funktionen, heute stärker in das Definieren von Regeln, unter denen mehrere Agenten zuverlässig arbeiten.
Engineering verschwindet nicht. Es wird wichtiger.
3. Musikgenerierung: Aus Ideen werden Werke
Ein besonders persönliches Beispiel war für mich KI-Musik.
Als ich letztes Jahr im Frühjahr auf die Möglichkeiten der KI-gestützten Musikproduktion gestoßen bin, war ich zunächst ehrlich begeistert. Ein Prompt wie
energetic electronic folk drum and bass with emotional vocals
liefert in Sekunden ein fertiges Stück.
Nach den ersten Wow-Momenten kam bei mir aber schnell eine zweite Beobachtung dazu: Vieles klang sauber produziert, war emotional aber austauschbar. Technisch stark, künstlerisch oft generisch.
Der Wendepunkt kam erst, als ich die Reihenfolge umgedreht habe. Statt nur zu prompten, habe ich auf der MPC Key 37 zuerst eigene Skizzen gebaut: Akkorde, Melodien, Basslinien, Songstruktur, Groove.
Ab diesem Punkt war meine Handschrift im Material. Die KI habe ich dann gezielt für Arrangement, Instrumentierung, Klangfarben und teilweise Vocals eingesetzt.
Das Ergebnis war deutlich persönlicher. Die KI hat nicht “für mich” komponiert, sondern mit mir produziert.
Genau dort liegt für mich der eigentliche Mehrwert: nicht Mensch gegen Maschine, sondern Mensch mit Maschine.
KI macht Grundlagen wertvoller, nicht überflüssig
Alle drei Beispiele zeigen dasselbe Muster:
KI ist kein Ersatz für Ordnung, KI ist ein Verstärker.
- Saubere Daten werden wertvoller.
- Saubere Architekturen werden wichtiger.
- Saubere kreative Vorarbeit entfaltet mehr Wirkung.
Damit verschieben sich auch die Anforderungen an Fachkräfte: weg vom reinen Produzieren, hin zum Gestalten belastbarer Rahmenbedingungen.
- Informationsarchitektur wird wichtiger.
- Softwarearchitektur wird wichtiger.
- Handwerkliche Vorarbeit wird wichtiger.
Je leistungsfähiger KI wird, desto stärker entscheidet die Qualität des Inputs über die Qualität des Outputs.
Vielleicht lässt sich der alte Informatik-Satz deshalb modernisieren:
Garbage in, garbage out.
Structure in, excellence out.
KI ist kein Ersatz für gutes Engineering, sie macht gutes Engineering sichtbarer denn je.