# Wann man KI nicht einsetzen sollte: ein Blick aus dem Betrieb > Wann der Griff zum LLM die falsche Wahl ist, und eine einfache Faustregel, um diese Fälle auseinanderzuhalten. Source: https://rfriedmann.de/de/blog/when-not-to-use-ai/ · English: https://rfriedmann.de/blog/when-not-to-use-ai/ Published: 2026-06-14 · Track: learn · Level: Ops Die meisten Empfehlungen behandeln, wo KI sinnvoll ist. Im Betrieb ist es mindestens ebenso wertvoll zu wissen, wann nicht. Wer ein LLM dort einsetzt, wo es nicht hingehört, verschwendet nicht nur Aufwand, er baut einem System einen selbstbewussten, plausiblen Fehlermodus ein, den es vorher nicht hatte. ## Die vier Fälle, in denen du es weglegen solltest **Wenn du Determinismus brauchst.** Gleiche Eingabe, gleiche Ausgabe, jedes Mal. Das ist das Fundament von allem Automatisierten, dem du wirklich vertraust, und ein LLM bietet es nicht: zweimal fragen, zwei Formulierungen, gelegentlich zwei verschiedene Antworten. Für eine Pipeline, eine Prüfung, ein Gate ist das ein Ausschlusskriterium. Ein Skript liefert bei jedem Lauf dieselbe Ausgabe, und genau das braucht Produktion. **Wenn ein normales Werkzeug den Job schon erledigt.** Eine Regex, ein `jq`-Filter, ein Parser, eine ordentliche API. Ist das Problem klar umrissen, ist das deterministische Werkzeug schneller, kostenlos, testbar und halluziniert nicht. Ein LLM an dieser Stelle bringt Kosten und Streuung, aber keinen Nutzen. **Wenn du dir weder das Prüfen noch einen Fehler leisten kannst.** Das Modell [liegt manchmal selbstbewusst falsch](/de/blog/what-is-an-llm/), und zwar flüssig. Ist das Prüfen der Antwort genauso viel Arbeit wie die Aufgabe selbst, hat es dir nichts gespart. *Lässt* du die Prüfung weg, weil es richtig klang, hast du einen unentdeckten Fehler ausgeliefert. **Wenn es unbeaufsichtigt handeln muss.** Ein Entwurf, den ein Mensch freigibt, ist der Idealfall. Führt das Modell eine Aktion in Produktion aus, ohne dass vorher jemand draufschaut, wird aus einem gelegentlichen Fehler ein Incident. ## Das gemeinsame Risiko hinter allen vieren In jedem Fall gilt: **Die Demo funktioniert.** Das Modell erledigt die offensichtlichen 80 % gut, also sieht das Problem gelöst aus. Das Risiko sind die anderen 20 %, in denen es nicht laut scheitert, sondern *plausibel*: Es liefert etwas sauber Geformtes und Falsches, das einem Reviewer leicht entgeht. Deterministische Werkzeuge scheitern sichtbar. LLMs scheitern flüssig und weniger sichtbar, und genau diesen Fehlermodus erkennen Betriebsprozesse am schlechtesten. ## Eine praktische Faustregel Bevor du zum LLM greifst, zwei Fragen: