Zum Inhalt springen
Implementa.
KI-AgentenMeinung··7 Min.

LLM vs. Machine Learning: Wann ein klassisches Modell die generative KI schlägt

LLM vs. Machine Learning ist kein Modekampf, sondern eine Frage nach der Form deiner Daten. Ist es eine Tabelle mit Historie —Absatz, Zahlungsausfälle, Kündigungen—, ist ein klassisches Modell meist günstiger, stabiler und leichter zu erklären. Ist es freier Text, gewinnt das LLM. Und in Produktion gewinnen fast immer beide zusammen, jedes an seinem Platz.

Senior AI Operations Implementer

AI Operations Pod

Die Anfrage kommt voller Begeisterung: „Wir wollen einen KI-Agenten, der die Nachfrage prognostiziert.“ Im Anhang eine Excel-Datei mit drei Jahren Absatz pro Artikel und Woche. Der stille Plan: die Tabelle in ein Sprachmodell kopieren und es den nächsten Monat raten lassen. In der Demo klappt das. Bei jeder Frage kommt eine andere Zahl. Und niemand kann erklären, warum es 400 Stück bestellt hat statt 250.

Die These in einem Satz: Die Hälfte der Probleme, die heute als „Projekt mit generativer KI“ budgetiert werden, löst ein ganz normales Machine-Learning-Modell, trainiert auf deiner eigenen Historie, besser. Nicht aus technischer Nostalgie: Es kostet pro Vorhersage weniger, gibt bei gleichen Daten die gleiche Antwort und lässt sich einem Prüfer erklären. Das LLM gewinnt, wenn die Daten Sprache sind. Gut wählen heißt nicht, dem Trend zu folgen, sondern auf die Form dessen zu schauen, was du vorhersagen willst.

LLM vs. Machine Learning: Die Frage ist falsch gestellt, solange du nicht auf die Daten schaust

Ein Sprachmodell ist eine außergewöhnliche Maschine zum Lesen, Zusammenfassen, Formulieren und Schlussfolgern über Text ohne feste Struktur. Ein klassisches Modell —ein Gradient-Boosted-Tree, eine Regression, ein Zeitreihenmodell— ist eine außergewöhnliche Maschine, um Muster in Spalten zu finden: Tausende Zeilen mit denselben Variablen und bekanntem Ergebnis. Verschiedene Werkzeuge für verschiedene Datenformen, und die meisten Architekturfehler entstehen, wenn das Trendwerkzeug auf die falsche Form trifft.

Wenn du … hastMeist gewinntWarum
eine Tabelle mit Historie und bekanntem Ergebnis (Absatz, Ausfälle, Kündigungen)Klassisches Machine LearningEs lernt aus deinen eigenen Fällen, ist günstig im Betrieb und stabil
freien Text: E-Mails, Verträge, Tickets, GesprächsnotizenLLMEs versteht Sprache, ohne dass vorher jemand jede Spalte definiert
Dokumente mit chaotischem LayoutLLM (oft zusammen mit OCR)Es liest wechselnde Strukturen; das klassische Modell braucht eine feste Vorlage
eine Regel, die in einen Satz passtKeins von beiden: eine GeschäftsregelAm günstigsten und erklärbarsten ist es, gar nichts zu trainieren

Das ist kein Beraterbauchgefühl. 2022 verglichen Forschende von Inria und der Sorbonne Université baumbasierte Modelle mit tiefen neuronalen Netzen auf 45 mittelgroßen Tabellendatensätzen (in der Größenordnung von 10.000 Zeilen): Die Bäume blieben dort State of the Art (Grinsztajn, Oyallon und Varoquaux, NeurIPS 2022). LLMs wurden nicht getestet, aber die Lehre lässt sich übertragen: Bei Tabellendaten sagt das raffinierteste Modell nicht am besten vorher.

Drei Aufgaben, bei denen das klassische Modell klar gewinnt

Nachfrageprognose

Das ist die Szene vom Anfang. Im Prognosewettbewerb M5 —42.840 Zeitreihen mit täglichen Stückverkäufen von Walmart— setzten die meisten der bestplatzierten Lösungen auf LightGBM, ein Gradient-Boosting-Modell auf Basis von Entscheidungsbäumen (Makridakis, Spiliotis und Assimakopoulos, International Journal of Forecasting, 2022). Kein Gewinner hat einen Chatbot die Tabelle lesen lassen. Inzwischen gibt es Foundation Models speziell für Zeitreihen, und es lohnt sich, sie als Vergleichsbasis zu testen; aber das ist eine andere Familie, kein Textassistent, in den man eine Excel-Datei kopiert.

Scoring und Fallklassifikation

Wahrscheinlichkeit eines Zahlungsausfalls, einer Kundenkündigung, eines Leads, der kauft, einer Rechnung, die zu spät bezahlt wird. All das ist Klassifikation über Spalten, das natürliche Terrain baumbasierter Modelle. Auf deinen abgeschlossenen Fällen trainiert, liefern sie eine Wahrscheinlichkeit, das Gewicht jeder Variable dahinter und morgen für denselben Kunden dieselbe Antwort.

Anomalieerkennung

Eine Zahlung, die nicht zum Muster des Lieferanten passt, ein Verbrauch, der in die Höhe schießt, eine Bestellung mit unmöglicher Marge. Millionen Transaktionen durch ein LLM zu schicken ist teuer und langsam. Ein statistisches oder baumbasiertes Modell schafft das in Millisekunden pro Zeile und überlässt dem LLM höchstens, die Warnung für die Person zu formulieren, die entscheiden muss.

Wo das LLM gewinnt (und zwar deutlich)

Die andere Seite ist genauso klar. Ein klassisches Modell liest keine Beschwerde-E-Mail, versteht nicht, dass „wie immer, nur ohne den großen Karton“ eine Bestellung ist, zieht keine Vertragsstrafenklausel aus einem vierzigseitigen Vertrag. Dort konkurriert das LLM nicht, es ist die einzige vernünftige Option. Es gewinnt auch, wenn keine Historie da ist —ein neuer Prozess ohne abgeschlossene Fälle— und wenn die gewünschte Ausgabe Sprache ist: eine Antwort, eine Zusammenfassung, ein Entwurf.

Deshalb geht es bei der Modellwahl nie um „welches ist das beste“, sondern um die Aufgabe. Dieselbe Logik wenden wir in Agentensystemen an, wenn wir entscheiden, welches Modell in einem Agenten nach Aufgabe, Latenz und Kosten pro Fall passt: Wer das Ranking anführt, passt selten zu jedem Schritt.

Das Muster, das in Produktion trägt: Das LLM macht aus Text Spalten, das klassische Modell entscheidet

Die erwachsene Version dieser Debatte heißt nicht, sich für eine Seite zu entscheiden, sondern zu verketten. Das LLM liest das Unstrukturierte —die Kunden-E-Mail, den gescannten Lieferschein, die Notiz aus dem Vertrieb— und macht daraus Felder: Grund, Betrag, Dringlichkeit, Produkt. Diese Felder speisen ein klassisches Modell, das bewertet, prognostiziert oder markiert. Und ein Mensch prüft, was aus dem Korridor fällt.

Jedes Teil macht, was es am besten kann, und das System ist abschnittsweise prüfbar: Du weißt, was das LLM gelesen hat, welche Spalten es erzeugt hat und welche Variable bei der Entscheidung am meisten zählte. Denselben Hybrid haben wir beim Vergleich von klassischem OCR und multimodalen Modellen zum Lesen von Dokumenten gesehen: In Produktion gewinnt die Kombination, kein technisches Unentschieden. Und die Grenze, an der ein Mensch eingreift, wird nicht improvisiert, sondern nach den Kriterien von Human in the Loop in der KI-Automatisierung entworfen.

Wenn die Entscheidung einen Menschen betrifft, ist Erklären keine Option, sondern Pflicht

Es gibt ein Argument, das nicht technisch ist und oft allein entscheidet. Wenn dein Modell Menschen bewertet —Kredit, Recruiting, Preise, Zugang zu einer Leistung—, musst du erklären, warum. In der Europäischen Union hat der Gerichtshof im Dezember 2023 entschieden, dass schon die Berechnung eines Bonitätsscores eine automatisierte Entscheidung nach Artikel 22 DSGVO sein kann, wenn ein Dritter sich maßgeblich darauf stützt (EuGH, Rechtssache C-634/21, SCHUFA, Pressemitteilung). Das zieht Transparenzpflichten über die angewandte Logik nach sich.

Ein Baummodell lässt dich zeigen, welche Variablen den Score jedes Falls bewegt haben. Ein LLM kann eine Erklärung erzeugen, die plausibel klingt, aber das ist nicht dasselbe wie der Grund, aus dem es entschieden hat. Bei jeder Entscheidung mit Folgen für einen Menschen ist genau dieser Unterschied das, was dein System vor einer Aufsichtsbehörde hält oder kippt. Und jede Entscheidung sollte mit ihrem Warum protokolliert sein: genau das löst die Nachvollziehbarkeit von KI-Entscheidungen.

Wann du KEIN klassisches Modell bauen solltest

Gegen den Hype zu argumentieren heißt nicht, es immer zu tun. Ein klassisches Modell ist eine schlechte Idee, wenn:

  • du keine Historie mit Ergebnis hast. Ohne abgeschlossene Fälle gibt es nichts zu lernen. Ein gut instruiertes LLM oder eine Regel bringen ab dem ersten Tag etwas; das klassische Modell nichts.
  • du sehr wenige Zeilen hast. Bei ein paar Dutzend Beispielen ist jedes gefundene Muster Rauschen im guten Anzug.
  • sich der Prozess jeden Monat ändert. Wenn sich die Geschäftsregeln schneller bewegen, als du Daten sammelst, navigiert das Modell immer mit der Karte des letzten Quartals.
  • eine Regel reicht. „Wenn die Rechnung über X liegt und der Lieferant neu ist, prüfen“ braucht kein Training. Das ist die günstigste, schnellste und erklärbarste der drei Optionen.

Vier Fragen, bevor du ein Angebot anfragst

  1. Passt das, was ich vorhersagen will, in eine Spalte mit bekannter Antwort in meiner Historie?
  2. Wie viele abgeschlossene Fälle habe ich, und wie sehr ähneln die heutigen denen von vor zwei Jahren?
  3. Muss jemand jede Entscheidung einem Kunden, einem Prüfer oder einer Behörde erklären?
  4. Ist mein Input eine Tabelle, Text oder beides?

Wenn du mit „ja, viele, ja, Tabelle“ antwortest, ist das Projekt keine generative KI, und wer es dir so verkauft, berechnet dir das Buzzword. Wenn du mit „nein, wenige, nein, Text“ antwortest, ist das LLM dein Werkzeug. Und wenn es von allem etwas ist —der Normalfall—, brauchst du eine Architektur, die jedes Modell an seinen Platz stellt. Wo du anfängst, klärt der Leitfaden welche Prozesse du mit KI automatisieren solltest; das Ganze mit Daten, Modellen und Überwachung bauen wir mit unserem Service für KI-Infrastruktur im Unternehmen.

KI wählt man nicht nach der Schlagzeile. Man wählt sie nach der Form der Daten. Und manchmal ist die modernste Antwort ein zehn Jahre altes Modell, sauber trainiert auf deinen eigenen Zahlen.

Weiterlesen

Mehr Artikel zu KI-Agenten

MeinungGEO

KI-generierte Inhalte im Unternehmen kennzeichnen: wann das Gesetz es verlangt und wann es Theater ist

KI-generierte Inhalte im Unternehmen kennzeichnen heißt nicht, überall «mit KI erstellt» draufzukleben. Artikel 50 der KI-Verordnung verlangt drei konkrete Dinge: Deepfakes offenlegen, nicht geprüfte Texte von öffentlichem Interesse offenlegen und die Ausgabe maschinenlesbar markieren. Die These: Der dekorative Aufkleber erfüllt keins davon, und die Markierung, auf die es ankommt, ist für viele Anbieter am 2. Dezember 2026 fällig.

9 min de lectura

KI-Agenten

Ein KI-Agent für Recruiting: sichten ohne Bias, ohne den menschlichen Kontakt zu verlieren

Ein KI-Agent für Recruiting entscheidet nicht, wen du einstellst. Er ist die Schicht, die die repetitive Arbeit rund um jeden Kandidaten frisst — gegen feste Kriterien sichten, terminieren, antworten — und dort stoppt, wo das Einstellungsurteil beginnt. Richtig gebaut, nimmt er Bias aus dem mechanischen Teil und lässt den menschlichen Kontakt dort, wo er wirklich zählt.

5 min de lectura

KI-Agenten

Was ist MCP (und warum es Unternehmensagenten verändert, ohne Magie zu sein)

MCP —Model Context Protocol— ist der offene Standard, den Anthropic 2024 veröffentlicht hat, um KI-Modelle über ein Kabel mit deinen Tools und Daten zu verbinden. Es senkt die Integrationskosten. Es repariert keinen schlechten Prozess und keine schmutzigen Daten. Hier steht, was sich für Unternehmensagenten wirklich ändert — und was nicht.

6 min de lectura

Lassen wir's laufen?

Wenn dich das angesprochen hat, 30-Minuten-Gespräch ohne Verpflichtung. Wir sagen dir, was passt, was nicht und den ungefähren Preis.

Fallstudien ansehen
LLM vs. Machine Learning: Wann ein klassisches Modell die generative KI schlägt · Implementa