23. Juni 2026 · Methodisches Problemlösen

Jeder spricht von KI! Erfahre, warum die KI in der Problembeschreibung und in der Problemlösung ohne den Menschen scheitert

Die Verheißung moderner Künstlicher Intelligenz (KI) im Unternehmensalltag klingt revolutionär: Ein Problem taucht auf, wir füttern eine generative KI mit ein paar Eckdaten, und binnen Sekunden liefert uns das System eine strukturierte Problembeschreibung, formuliert Hypothesen und schlägt die passenden Lösungswege vor. Was früher in tagelanger Workshop-Arbeit und mühsamer Datenakrobatik endete, scheint heute nur noch einen geschickten „Prompt“ entfernt zu sein.

Doch in der Praxis folgt auf die erste Euphorie oft die Ernüchterung. Wer sich blind auf die analytischen Fähigkeiten von Large Language Models (LLMs) verlässt, um geschäftskritische oder technische Probleme zu definieren, baut sein Fundament auf Sand. Generative KI ist kein logisch denkender Analyst, sondern eine hochentwickelte Wort-Wahrscheinlichkeitsmaschine. Ohne eine saubere, methodische Datenanalyse durch den Menschen verkommt die KI in der Problembeschreibung zu einem gefährlichen Werkzeug: Sie erzeugt täuschend echt aussehende Halluzinationen, die Teams auf teure und völlig falsche Fährten locken.

Das grundlegende Missverständnis: Plausibilität ist nicht gleich Wahrheit

Um zu verstehen, warum KI bei der Problembeschreibung so leicht scheitert, muss man ihre Funktionsweise betrachten. Eine KI „versteht“ ein Problem nicht im menschlichen Sinne. Sie analysiert die eingegebenen Wörter und berechnet, welche Wörter als Nächstes am logischsten und flüssigsten aufeinanderfolgen müssten, basierend auf ihren Trainingsdaten.

Das Ergebnis ist Plausibilität. Die Textausgabe liest sich hochprofessionell, nutzt die perfekte Management-Terminologie und gliedert das Problem fehlerfrei nach gängigen Standards. Doch genau hier liegt die fundamentale Herausforderung: Ein Text kann vollkommen plausibel klingen und dennoch inhaltlich komplett falsch sein.

Wenn ein Team der KI ein vages Symptom füttert – zum Beispiel: „Unsere Logistikkosten in Süddeutschland steigen seit zwei Monaten“ –, füllt die KI die Informationslücken selbstständig auf. Sie verknüpft das Symptom mit typischen Mustern aus dem Internet (z. B. gestiegene Kraftstoffpreise, Fahrermangel, ineffiziente Routenplanung) und präsentiert diese Mustervorlagen als die „wahrscheinliche Ursache“ für genau dieses spezifische Firmenproblem. Wenn diese theoretischen Annahmen jedoch nicht mit den tatsächlichen internen Daten abgeglichen werden, halluziniert die KI eine Problemwelt, die im echten Betrieb so überhaupt nicht existiert.

Die Halluzinationsfalle in der Praxis: Wenn Software Fehler erfindet

Schauen wir uns ein konkretes Szenario an. In einem mittelständischen Produktionsbetrieb kommt es zu Qualitätsproblemen bei einem spritzgegossenen Bauteil. Der Ausschuss steigt sprunghaft an. Der Projektleiter kopiert die letzten drei Fehlerberichte in ein KI-Tool und bittet um eine strukturierte Problembeschreibung sowie eine Ursachenhypothese.

Die KI liefert prompt ein Dokument, das jeden Lean-Management-Experten vor Neid erblassen lässt:

„Problembeschreibung: Systematische thermische Instabilität im Produktionsprozess führt zu mikrostrukturellen Defekten… Hypothese: Die Viskosität des Rohmaterials variiert aufgrund unzureichender Vortrocknung im Silo…“

Das Team liest das, ist tief beeindruckt von der Fachterminologie und leitet sofort Maßnahmen ein. Ein teures Trocknungssystem wird gemietet, Proben werden ins Labor geschickt. Wochen vergehen.

Was ist passiert? Die KI hat halluziniert. Da das Wort „Spritzguss“ im Training extrem oft mit „Vortrocknung“ und „Viskosität“ verknüpft war, hat das Modell die statistisch wahrscheinlichste Erklärung generiert. Die Wahrheit lag jedoch ganz woanders: In den tatsächlichen Maschinendaten (die die KI nie gesehen hat) war klar erkennbar, dass ein defektes Ventil an Maschine 4 zu minimalen, aber fatalen Druckschwankungen führte. Das Problem hatte nichts mit dem Material oder der Temperatur zu tun. Das Team hat aufgrund einer plausiblen KI-Halluzination fünfstellige Beträge verbrannt.

Warum die KI das „Ist-Nicht“ nicht kennt

Ein zentraler Grund für dieses Versagen ist, dass KI ohne menschliche Führung nicht in der Lage ist, die essenzielle Bruchlinie der Problemlösung zu ziehen: die Trennung von Ist und Ist-Nicht (Is / Is-Not).

Wie wir aus der klassischen Problembeschreibung wissen, wird ein Fehler erst dadurch greifbar, dass man definiert, wo er nicht auftritt. Wenn Daten zeigen, dass der Fehler nur in der Spätschicht auftritt, aber nie in der Frühschicht, schrumpft der Suchraum drastisch.

Eine generative KI besitzt diese Datenbrille standardmäßig nicht. Wenn wir ihr nur das Problem („Es gibt Ausschuss“) füttern, generiert sie eine allgemeine Abhandlung über Ausschuss. Sie filtert das statistische Grundrauschen – den Noise – nicht heraus, sondern integriert ihn in ihre Argumentation. Sie kann nicht eigenständig erkennen, ob eine Korrelation in den Daten ein echter, signifikanter Einfluss oder nur ein zufälliges Rauschen ist. Diese Filterleistung ist eine rein menschliche, analytische Aufgabe.

Die Symbiose: Erst der Mensch, dann die Daten, dann die KI

Bedeutet das, dass KI in der Problembeschreibung nutzlos ist? Keineswegs. Sie wird jedoch falsch eingesetzt. Die KI darf niemals am Anfang des Prozesses als „Denk-Ersatz“ genutzt werden. Sie darf nicht die primäre Datenanalyse übernehmen, sondern muss als Katalysator und Strukturierungs-Werkzeug verstanden werden.

Der erfolgreiche Prozess sieht eine klare Aufgabenverteilung vor:

1. Der Mensch analysiert die Rohdaten: Bevor die KI ins Spiel kommt, muss das Team die harten Fakten aggregieren. Was, wo, wann und wie viel? Welche Maschinen, welche Schichten, welche Kunden sind betroffen – und welche nicht?
2. Die KI wird mit Fakten gefüttert, nicht mit Symptomen: Der Prompt an die KI darf kein vages Jammern sein, sondern muss eine präzise Datensammlung enthalten. (Z. B.: „Hier sind die Ausfallzeiten der letzten 4 Wochen, aufgeteilt nach Standort A und B. Standort B zeigt null Fehler. Strukturiere mir diese Fakten nach dem Kepner-Tregoe-Schema.“)
3. Die KI als Sparringspartner für Logik nutzen: Jetzt, da die KI durch die harten Fakten des Menschen „geerdet“ ist, kann sie ihre wahre Stärke ausspielen. Man kann sie bitten, Schwachstellen in der eigenen Argumentation zu finden: „Welche meiner Hypothesen wird durch das Faktum, dass Standort B fehlerfrei arbeitet, logisch entkräftet?“

In dieser Konstellation kann die KI nicht mehr halluzinieren, weil der Mensch ihr die Leitplanken der Realität so eng gesteckt hat, dass für statistische Fantasiegebilde kein Platz mehr bleibt.

Fazit: Die KI formuliert, der Mensch validiert

Künstliche Intelligenz ist ein brillanter Formulierer, ein unermüdlicher Strukturierer und ein faszinierender Ideengeber. Aber sie ist kein Detektiv. Wenn wir versuchen, den mühsamen Schritt der sauberen, menschlichen Datenanalyse zu überspringen und die KI die Problembeschreibung aus dem Bauch heraus erstellen lassen, ernten wir teuren Aktionismus basierend auf elegant formulierten Halluzinationen.

Die goldene Regel für moderne Problemlöser lautet daher: Fakten schlagen Algorithmen. Erst wenn der Mensch die Daten sauber seziert, den Noise vom Signal getrennt und das „Ist-Nicht“ glasklar isoliert hat, schlägt die Stunde der KI. Wer diesen Filter vorschaltet, schützt sein Budget vor teuren Fehltritten und verwandelt die KI von einer Halluzinationsfalle in einen echten Produktivitätsturbo.