Künstliche Intelligenz gilt als Versprechen für die Zukunft: automatisierte und fehlerfreie Produktion, weniger Personalbedarf und niedrigere Kosten. In der Realität zeigt sich jedoch: Ohne das klassische menschliche Erfahrungswissen werden KI‑gestützte Systeme derzeit schnell zu Qualitäts- und Kostenrisiken. Wie lange das noch so anhält, wird die Zeit zeigen.

Das heißt dann aber auch, dass der KI-Hype an den Börsen und in den Medien vermutlich eine gigantische Blase ist, die durch Binnenumsätze (Roundtripping) und ETF-Investments aufgepumpt wird und nicht platzen darf. Dazu im nächsten Beitrag mehr. Heute zunächst ein Blick in die Industriepraxis.

Fallbeispiel Ford: Wenn KI an Grenzen stößt

Ford setzte im Qualitätsmanagement konsequent auf automatisierte Prüfungen und datengetriebene Modelle, um Fehler früh zu erkennen und Garantiekosten zu senken. Die Erwartungen wurden verfehlt, weil die Systeme kritische Fehler nicht zuverlässig erkannten und zugleich harmlose Abweichungen überbewerteten.

Die Reaktion des Konzerns war deutlich: Rund 350 erfahrene Ingenieure wurden (wieder) ins Zentrum der Qualitätsprozesse geholt – viele davon in der Rolle der „grauen Eminenzen“ mit jahrzehntelanger Erfahrung in Fertigung, Werkstoffen und Serienanläufen. Diese Experten, als “graue Bärte” bezeichnet, definieren nun wieder die Standards, führen die Pflicht‑Reviews durch und setzen den Rahmen, innerhalb dessen KI‑Ergebnisse überhaupt als vertrauenswürdig gelten.

Laut dem Ford‑Management sind damit die Garantie‑ und Rückrufkosten um „hundreds and hundreds of millions of dollars“ wieder deutlich gesunken. Im renommierten JD Power Initial Quality Survey hat Ford tatsächlich zum ersten Mal seit 16 Jahren Platz 1 unter den „Mainstream“-Marken erreicht. Das wird explizit auf die kombinierte Arbeit der Veteranen mit den KI-Systemen zurückgeführt.

Industrieweite Muster: KI braucht Erfahrung

Ähnliche Verläufe gab es in anderen Industrien: So zeigt sich im Energiesektor, dass vollautomatisierte Leitstände seltene Störfälle falsch einschätzen. Erfahrene Operatoren wurden daher wieder enger in die Überwachung eingebunden.

In der Luftfahrt und Pharmaindustrie unterstützen digitale Zwillinge und KI‑Modelle zwar die Entwicklung, aber die Zulassung kritischer Komponenten liegt weiterhin bei Experten, deren Erfahrungsurteil noch unersetzlich bleibt. KI wird damit zum Werkzeug – nicht zum Ersatz – derjenigen, die das System als Ganzes verstehen.

Die verdeckte Folge: gebrochene Karriereleitern

KI ist besonders stark in standardisierten Routineaufgaben, also genau dort, wo früher Junioren ihre Praxis sammelten. Genau diese Junior-Stellen werden gerade in den Unternehmen massiv eingespart. Wenn diese Tätigkeiten nun aber durch KI automatisiert werden, schrumpfen die Lernfelder, über die junge Ingenieure über Jahre zu erfahrenen Experten heranwachsen. Die Spitze wird aufgewertet, der Einstieg ausgedünnt.

Kurzfristig lässt sich diese Lücke mit zurückgeholten Veteranen schließen. Langfristig entsteht jedoch ein Kompetenzproblem: Wer soll in zwanzig Jahren die Modelle prüfen, wenn heute zu wenige Menschen den Weg von einfacher Praxis zu tiefer Expertise gehen können?

Was tun im Mittelstand?

Für den Mittelstand ist „Abwarten“ bei der Einführung von Künstlicher Intelligenz die schwächste Option. Sinnvoll ist vielmehr ein bewusst doppelgleisiger Ansatz:

• Gezielt testen statt blind automatisieren: Führen Sie KI‑Tools zuerst in klar abgegrenzten Prozessen ein (z.B. Dokumentation, Reporting, Standardprüfungen), mit definierten Qualitätskennzahlen und klarer Verantwortlichkeit. 
• Human‑in‑the‑Loop als Prinzip verankern: KI darf unterstützen, aber nicht allein entscheiden – insbesondere in kritischen Prozessen wie die Produktion und im Finanzmanagement.
• Lernjobs bewusst schützen: Automatisieren Sie nicht jede Routine, sondern definieren Sie bewusst Tätigkeiten, in denen junge Fachkräfte Praxis sammeln können. Ohne solche Lernfelder gibt es später niemanden, der KI fachlich prüfen kann.
• Erfahrung systematisch dokumentieren: Lassen Sie Ihre erfahrensten Leute aktiv daran arbeiten, ihr Wissen festzuhalten. KI kann diese Dokumentation nutzen – aber das Erfahrungswissen muss zuerst von Menschen strukturiert werden.
• Partnerschaften statt kompletter Auslagerung: Nutzen Sie externe KI‑Dienstleister, aber behalten Sie die Kernkompetenz im Haus. Ein Mittelständler sollte immer eigene Leute haben, die verstehen, was ein Modell tut und wo seine Grenzen liegen.

Fazit

KI ist derzeit gut genug, die Junior‑Arbeit zu erledigen, aber nicht gut genug, erfahrene Veteranen zu ersetzen. Kritische Stimmen aus der KI-Szene haben immer schon auf die bestehenden Praxisprobleme der neuen Technologie hingewiesen. Doch es ist wie immer, da wo viel Geld zu verdienen ist, wird mit Hilfe der Mainstream-Medien ein weltweiter Marketing-Hype losgetreten. Es scheint so, dass die frühen Investoren von SpaceX, Anthropic und OpenAI über den Börsengang nun Kasse machen wollen. Über die ökonomische KI-Blase und ihre Gefahren gehe ich im nächsten Beitrag ein.