Code vs. Automatisierung vs. KI: Das richtige Werkzeug für jede Aufgabe finden

Als ich mich zum ersten Mal für Large Language Models begeisterte, wollte ich KI auf alles werfen. Kundenservice? KI. Vertragserstellung? KI. Rechnungsverarbeitung? KI. Datenqualitätsprüfungen? KI.

Ein paar teure Lektionen später wusste ich: KI für alles ist genauso falsch wie KI für nichts.

Manche Aufgaben brauchen die Präzision von eigenem Code. Manche brauchen die Zuverlässigkeit deterministischer Automatisierung. Und manche brauchen wirklich das Urteilsvermögen, das nur KI liefert. Der schwierige Teil ist, zu wissen, wann man KI nicht einsetzt.

Hier ist das Framework, das ich jeden Tag nutze.

Drei Werkzeuge, drei Aufgaben

Code: wenn du das massgebliche System brauchst

Eigener Applikationscode ist für die Kernlogik deines Geschäfts. Für die Dinge, die dein Produkt definieren, die jedes Mal exakt stimmen müssen und die du vollständig selbst besitzen musst.

Bei uns gehört dazu:

• Der Matching-Algorithmus, der Fachpersonen im Gesundheitswesen mit Institutionen zusammenbringt
• Preis- und Lohnberechnungen
• Plattform-Features, mit denen Nutzer direkt interagieren
• Datenmodelle und Geschäftsregeln, die bestimmen, wie alles funktioniert

Das braucht vollständigen Determinismus. Wenn du jemandes Lohn berechnest, ist «ungefähr richtig» keine Option. Wenn du eine Pflegefachperson für eine Spitalschicht einteilst, musst du Qualifikationen, Verfügbarkeit, Präferenzen und Vertragsbedingungen prüfen — jedes Mal, auf die gleiche Weise, ohne jede Mehrdeutigkeit.

Eigener Code bedeutet auch, dass er dir für immer gehört. Keine Abhängigkeit von einem Anbieter, keine API-Änderungen, die dein Kerngeschäft zerstören, keine monatlichen Gebühren, die mit der Nutzung mitwachsen.

Nutze Code, wenn: die Logik deterministisch ist, sie zum Kern deines Geschäfts gehört und du volle Kontrolle brauchst.

Automatisierung: wenn es zuverlässig laufen muss, ohne nachzudenken

Workflow-Automatisierung — Tools wie n8n, Zapier oder Make — ist für wiederholbare Prozesse, die jedes Mal gleich ablaufen müssen, aber keinen eigenen Code rechtfertigen.

Bei Carewell übernimmt unsere Automatisierungs-Ebene:

• Hunderte Arbeitsverträge pro Woche (je in rund 45 Sekunden erstellt)
• Workflows für elektronische Signaturen
• Rechnungserstellung
• Datenqualitäts-Alerts
• Geplante Reports und Benachrichtigungen

Nichts davon braucht KI. Ein Vertrag wird aus strukturierten Daten mit einer Vorlage erstellt. Eine Rechnung folgt einer Formel. Ein Signatur-Workflow hat definierte Schritte. Diese Prozesse sollten langweilig zuverlässig sein. Der gleiche Input sollte immer den gleichen Output erzeugen.

KI für die Vertragserstellung zu nutzen, wäre, als würdest du einen Dichter engagieren, um Steuerformulare auszufüllen. Technisch möglich, kreativ beeindruckend, gelegentlich falsch auf eine Art, die dir eine Klage einbringt.

Nutze Automatisierung, wenn: der Prozess wiederholbar ist, der Output deterministisch ist und Zuverlässigkeit wichtiger ist als Flexibilität.

KI: wenn Urteilsvermögen gefragt ist

KI ist für Aufgaben da, bei denen du Sprachverständnis, Mustererkennung oder den Umgang mit Mehrdeutigkeit brauchst — Dinge, für die es keine einzige richtige Antwort gibt, die sich aus einer Formel ableiten lässt.

In unserem Betrieb übernimmt KI:

• Kundensupport — unser Chatbot beantwortet rund um die Uhr Fragen in natürlicher Sprache
• Bewerber-Screening — CVs lesen und Fähigkeiten mit Anforderungen abgleichen
• Bedarfsprognose — vorhersagen, welche Institutionen wann Personal brauchen
• Präferenzlernen — mit der Zeit verstehen, was jede Fachperson an Einsätzen mag und was nicht
• Kompetenzbeschreibungen für Arbeitszeugnisse generieren

Diese Aufgaben haben eines gemeinsam: Sie brauchen Urteilsvermögen. Es gibt keine Formel, die dir sagt, ob eine Pflegefachperson zu einer bestimmten Teamkultur passt. Es gibt keinen Entscheidungsbaum, der jede mögliche Kundenfrage abdeckt. KI bringt die Flexibilität, mit Mehrdeutigkeit umzugehen — auf Kosten gelegentlicher Ungenauigkeit.

Nutze KI, wenn: die Aufgabe Sprache, Urteilsvermögen, Mehrdeutigkeit oder Mustererkennung braucht, die sich nicht auf eine Formel reduzieren lässt.

Die fünf Ebenen

Wenn ich rauszoome und mir unseren gesamten Technologie-Stack anschaue, sehe ich fünf konzeptionelle Ebenen:

┌──────────────────────────────────────────┐
│  MENSCHLICHE EBENE                        │
│  Entscheidungen, Beziehungen, Kreativität │
├──────────────────────────────────────────┤
│  KI-EBENE                                 │
│  Urteilsvermögen, Sprache, Analyse        │
├──────────────────────────────────────────┤
│  AUTOMATISIERUNGS-EBENE                   │
│  Deterministische Prozesse, zuverlässig   │
├──────────────────────────────────────────┤
│  DATEN-EBENE                              │
│  Source of Truth, Business Intelligence   │
├──────────────────────────────────────────┤
│  WISSENS-EBENE                            │
│  AI OS — institutionelles Gedächtnis      │
└──────────────────────────────────────────┘

Wissens-Ebene — das Company AI Operating System. Strukturiertes Wissen über das Geschäft, gespeichert als einfache Textdateien. Das speist alles, was darüber liegt.

Daten-Ebene — deine Datenbank, deine Business-Intelligence-Tools, deine Source of Truth für operative Daten. Zahlen, Datensätze, Kennzahlen.

Automatisierungs-Ebene — Workflow-Tools, die Systeme verbinden und deterministische Prozesse ausführen. Kein Urteilsvermögen nötig, nur zuverlässige Ausführung.

KI-Ebene — Sprachmodelle und andere KI-Systeme, die Aufgaben übernehmen, die Urteilsvermögen, Sprachverständnis oder den Umgang mit Mehrdeutigkeit brauchen.

Menschliche Ebene — strategische Entscheidungen, Beziehungsaufbau, kreative Arbeit, ethisches Urteilsvermögen. Die Dinge, für die es noch einen Menschen braucht.

Jede Ebene hat eine klare Aufgabe. Probleme entstehen, wenn du die falsche Ebene für eine Aufgabe nutzt — KI für deterministische Berechnungen, Automatisierung für Aufgaben, die Urteilsvermögen brauchen, oder (am häufigsten) Menschen für Aufgaben, die schon vor Jahren hätten automatisiert werden sollen.

Die Evolution der Lohnzahlung

Lass mich das mit einer persönlichen Geschichte konkret machen.

Seit den Anfangstagen unseres Unternehmens gehört die Kontrolle der Lohnzahlungen an temporäre Fachpersonen im Gesundheitswesen zu meinen wöchentlichen Aufgaben. So hat sich das entwickelt:

Phase 1: Manuell. Ich öffnete eine Excel-Tabelle, glich jede Zahlung mit den Plattformdaten ab, prüfte die Berechnungen, markierte Abweichungen. Das dauerte Stunden.

Phase 2: Teilautomatisiert. Wir bauten eine Automatisierung, die die Berechnungen und den Abgleich übernahm. Ich machte eine Plausibilitätsprüfung — die Ergebnisse überfliegen, alles Auffällige erkennen. Das dauerte vielleicht 30 Minuten.

Phase 3: Vollautomatisiert. Die Automatisierung übernimmt alles. Ich klicke auf «Zahlung freigeben». Fertig.

Diese Entwicklung — manuell zu Plausibilitätsprüfung zu ein Klick — ist die natürliche Evolution für jeden Prozess, wenn deine Automatisierung reift. Und an keinem Punkt brauchten wir dafür KI. Lohnberechnungen sind deterministisch. Die Regeln sind klar. Automatisierung war von Anfang an das richtige Werkzeug.

Hätten wir versucht, KI für die Zahlungskontrolle zu nutzen, hätten wir unnötiges Risiko eingeführt (was, wenn das Modell einen falschen Betrag halluziniert?) für null Nutzen (an Lohnberechnungen ist nichts mehrdeutig).

Die Entscheidungs-Checkliste

Wenn du vor einer Aufgabe stehst und dich fragst, welches Werkzeug du nutzen sollst, geh diese Fragen durch:

1. Gibt es eine Formel oder Regel, die jedes Mal die richtige Antwort liefert? Ja → Code oder Automatisierung. Keine KI nutzen.

2. Muss es jedes Mal auf dieselbe Weise, zuverlässig ablaufen? Ja → Automatisierung. Genau darum geht es: Konsistenz.

3. Geht es um natürliche Sprache — Text lesen, schreiben oder verstehen? Ja → Wahrscheinlich KI. Sprache ist die Stärke von LLMs.

4. Gibt es Mehrdeutigkeit — mehrere «richtige» Antworten je nach Kontext? Ja → KI. Genau das bedeutet Urteilsvermögen.

5. Ist es Kernlogik, die dein Produkt definiert? Ja → Code. Du willst volle Kontrolle und keine Abhängigkeit von einem Anbieter.

6. Verbindet es mehrere Systeme in einem wiederholbaren Workflow? Ja → Automatisierung. Genau dafür sind Workflow-Tools gebaut.

7. Würde eine falsche Antwort echten Schaden anrichten? Wenn ja und die Aufgabe deterministisch ist → definitiv keine KI. Code oder Automatisierung nutzen. Wenn ja, die Aufgabe aber Urteilsvermögen braucht → KI mit menschlicher Kontrolle.

Häufige Fehler

KI dort einsetzen, wo Automatisierung hingehört

Der häufigste Fehler, den ich sehe: ChatGPT oder Claude für Dinge nutzen, die eigentlich ein simpler Workflow sein sollten. «Ich nutze KI, um meine Meeting-Notizen in Action Items umzuwandeln und ans Team zu schicken.» Wenn deine Meeting-Notizen immer derselben Struktur folgen, ist das eine Vorlage und ein Workflow — keine KI-Aufgabe. Wenn sie stark variieren und Interpretation brauchen, dann ergibt KI durchaus Sinn.

Automatisierung dort einsetzen, wo Code hingehört

Wenn du zentrale Produkt-Features in Zapier oder n8n baust, ist etwas schiefgelaufen. Automatisierungstools sind grossartig, um Systeme zu verbinden und Prozesse laufen zu lassen. Sie sind schlecht für komplexe Geschäftslogik, die skalieren, getestet und von einem Entwicklungsteam gepflegt werden muss.

Menschen dort einsetzen, wo Automatisierung hingehört

Immer noch der teuerste Fehler. Jede Stunde, die ein Mensch mit einer Aufgabe verbringt, die automatisiert werden könnte, ist eine Stunde, die er nicht für etwas verwendet hat, das menschliches Urteilsvermögen, Kreativität oder Beziehungsarbeit braucht.

KI nicht dort nutzen, wo sie helfen würde

Die Kehrseite: Manche Unternehmen sind so vorsichtig mit KI, dass sie echten Wert liegen lassen. Wenn dein Kundenservice-Team jeden Tag manuell dieselben 50 Fragen beantwortet, ist das eine KI-Aufgabe. Wenn deine Recruiter Stunden damit verbringen, CVs für das Erst-Screening zu lesen, ist das eine KI-Aufgabe.

Wie du anfängst

Wenn du bei null anfängst, hier meine empfohlene Reihenfolge:

Erstens: Das Offensichtliche automatisieren. Schau dir an, was dein Team manuell und wiederholt macht. Dateneingabe, Reporterstellung, Benachrichtigungen versenden, Dokumente aus Vorlagen erstellen. Das sind einfache Gewinne für Automatisierung. Tools wie n8n erledigen das gut.

Zweitens: Die KI-Chancen identifizieren. Wo verbringt dein Team Zeit mit Aufgaben, die Sprachverständnis oder Urteilsvermögen brauchen? Kundenkommunikation, Content-Erstellung, Datenanalyse mit Interpretationsbedarf. Das sind echte KI-Use-Cases.

Drittens: Deinen Kern schützen. Stell sicher, dass deine Kernlogik in Code lebt, den du kontrollierst. Bau das Fundament deines Produkts nicht auf API-Aufrufe an Dienste, die Preise, Rate Limits oder Verhalten ohne Vorwarnung ändern können.

Viertens: Alles verdrahten. Die eigentliche Stärke entsteht, wenn die Ebenen zusammenspielen. Automatisierung löst KI aus, wenn Urteilsvermögen gefragt ist. KI schickt Ergebnisse zurück an die Automatisierung für zuverlässige Verteilung. Code liefert das Fundament, auf das sich beide stützen. Und die Wissens-Ebene speist Kontext in alles ein.

Die Unternehmen, die das richtig machen, nutzen für jede Aufgabe das richtige Werkzeug. Wie viel KI sie einsetzen, hat damit nichts zu tun.