Wo eignet sich der Einsatz von GenAI bei der Datenarbeit?

Generative Künstliche Intelligenz (GenAI) wird im Jahr 2025 zweifellos eine zentrale Rolle bei der Verarbeitung und Analyse von Daten spielen. KI-gestützte Modelle wie ChatGPT oder LLama ermöglichen die automatische Generierung von Texten, Code oder Bildern und können Dokumentationsprozesse erheblich vereinfachen.

Doch nicht in jedem Anwendungsfall erweist sich GenAI als die beste Wahl. Die Data-Science-Experten von KNIME haben untersucht, wann der Einsatz von generativer künstlicher Intelligenz wirklich sinnvoll ist und wann bewährte Data-Science-Methoden die bessere Alternative darstellen.

GenAI als strategisches Werkzeug statt Universallösung

Besonders bei komplexen und aufwändigen Aufgaben wie der Sentiment-Analyse bietet GenAI erhebliche Vorteile. Während traditionelle Methoden umfangreiche Vorarbeiten wie das Erstellen neuronaler Netzwerke und das Modelltraining erfordern, können GenAI-Modelle viele dieser Schritte automatisieren und so den Entwicklungsaufwand reduzieren. Dennoch bleibt ein grundlegendes Dilemma bestehen: Je nach Anwendung müssen Unternehmen zwischen Implementierungseffizienz und Modellleistung abwägen. Statt generativer künstlicher Intelligenz als Standardlösung zu betrachten, sollte sie gezielt und strategisch eingesetzt werden.

Unternehmen sollten anhand der folgenden vier Faktoren prüfen, ob GenAI in ihrem spezifischen Fall einen echten Mehrwert bringt:

1. Wie wichtig ist die Genauigkeit?

GenAI kann beeindruckende Ergebnisse liefern, aber die Präzision variiert je nach Anwendungsfall. In Bereichen, in denen exakte Vorhersagen erforderlich sind – etwa bei der Produktionsüberwachung oder der Fehlererkennung – können klassische Methoden wie Regressionsmodelle oft genauere Resultate liefern. Wo hohe Genauigkeit unverzichtbar ist, sollten Unternehmen sorgfältig zwischen generativer künstlicher Intelligenz und bewährten Verfahren abwägen.

2. Ist Transparenz erforderlich?

Ein wesentliches Problem von GenAI ist die mangelnde Erklärbarkeit der Ergebnisse. Gerade in regulierten Bereichen, beispielsweise im Finanzsektor oder der Medizin, ist Nachvollziehbarkeit essenziell. So muss ein Kredit-Scoring-Modell die Kriterien seiner Bewertung offenlegen können. In solchen Szenarien bieten traditionelle Methoden wie Entscheidungsbäume oder Support Vector Machines (SVMs) mehr Transparenz und sind oft die bessere Wahl.

3. Welche Steuerungsmöglichkeiten gibt es?

Klassische Data-Science-Techniken erlauben eine präzise Steuerung der Algorithmen durch klar definierte Parameter. So kann etwa durch Anpassung eines Schwellenwerts die Sensitivität eines Modells justiert werden. Bei generativer künstlicher Intelligenz ist diese Kontrolle eingeschränkt: Oftmals kann lediglich die Eingabeaufforderung (Prompt) angepasst werden, was jedoch zu schwer vorhersehbaren Ergebnissen führen kann. Unternehmen, die eine exakte Steuerung benötigen, sollten daher prüfen, ob generative künstliche Intelligenz für ihren Zweck geeignet ist.

4. Stehen Kosten und Nutzen im richtigen Verhältnis?

Die Implementierung von generativer künstlicher Intelligenz kann erhebliche Kosten verursachen – sei es durch Lizenzgebühren für fortschrittliche Modelle oder durch den Entwicklungsaufwand für individuelle Lösungen. Gartner prognostiziert, dass bis 2025 etwa 30 Prozent der GenAI-Projekte nach der Pilotphase eingestellt werden, oft aufgrund hoher Kosten und unzureichendem Mehrwert. Unternehmen sollten daher sorgfältig prüfen, ob eine klassische, kostengünstigere Lösung ausreicht.

Praxisbeispiel: Wann GenAI sinnvoll ist – und wann nicht

Ein Einzelhändler möchte Kundenfeedback effizient auswerten. Da leichte Ungenauigkeiten in der Stimmungsanalyse tolerierbar sind und Transparenz keine zentrale Rolle spielt, eignet sich GenAI hervorragend zur automatisierten Kategorisierung von Kundenmeinungen.

Anders verhält es sich jedoch bei der Betrugserkennung oder der Kundensegmentierung. In diesen Fällen können schon kleine Änderungen in der Eingabe unvorhersehbare Ergebnisse liefern, die schwer nachvollziehbar sind. Für komplexe Datenstrukturen stoßen GenAI-Modelle oft an ihre Grenzen, während klassische Algorithmen zuverlässige und reproduzierbare Resultate liefern.

GenAI mit Bedacht einsetzen

Generative Künstliche Intelligenz bietet als innovative Technologie enormes Potenzial für datengetriebene Prozesse, doch sie ist keine Allzwecklösung. Rosaria Silipo, VP of Data Science Evangelism bei KNIME, bringt es auf den Punkt: „GenAI bietet aufgrund seiner Fähigkeit, Text, Bilder, Code und mehr zu generieren, einen validen Ansatz für viele Anwendungsfälle der Datenwissenschaft. Aber es ist bei weitem nicht die universelle Antwort auf jede Aufgabe. Bei mancher Anwendung wäre der Einsatz von GenAI überdimensioniert, als würde man mit Kanonen auf Spatzen schießen, da hier traditionelle Datenanalysetechniken effizienter und genauso effektiv sind. In anderen Bereichen scheitert der Einsatz heute noch an der Genauigkeit oder Transparenz. GenAI sollte daher passgenau als strategisches Werkzeug und nicht als Standardlösung eingesetzt werden.“

Unternehmen, die Generative Künstliche Intelligenz einsetzen möchten, sollten also gezielt abwägen, ob die Technologie einen tatsächlichen Mehrwert bringt – oder ob bewährte Methoden die klügere Wahl sind.