24/12/2025
💡 90% der Unternehmen investieren in KI ohne zu verstehen, was KI wirklich ist.
Wir erleben das täglich.
Ein mittelständisches Unternehmen im Beratungsgespräch, mit einem mittlerem sechsstelligen Budget für “KI-Transformation”:
Unsere erste Frage war: “Was erwarten Sie sich vom Large Language Model und was kann es mathematisch betrachtet nicht leisten?“
Antwort: Schweigen.
Das ist das eigentliche Problem der Digitalisierung:
Die Fundamente werden übersprungen.
Als Entwickler von des KI-Agenten Lilo für LivingApps arbeiten wir täglich
mit Agentic AI, RAG und Agenten-Systemen und bieten diese Expertise im LivingLogic KI-Kompetenzentrum an.
Wir beobachten, dass eine erfolgreiche KI-Integration in drei klaren Stufen erfolgt.
1️⃣ Verstehen, was KI/GenAI ist
Ein LLM ist ein statistischer Automat und kein Orakel.
Es berechnet Wahrscheinlichkeiten basierend auf Mustern in den Trainingsdaten.
Es denkt nicht, erinnert sich nicht und es versteht nicht.
Beispiel: Prompt: “Der Himmel ist…”
Antwort: “blau” (89% wahrscheinlich aus Milliarden Textmustern)
Das Modell hat nicht in den Himmel gesehen.
Falsche Erwartungen lassen Projekte scheitern:
Was muss man wissen?
🔹 Embeddings: Wie wird Sprache zu Mathematik?
🔹 Context Windows: Warum “vergisst” KI manchmal?
🔹 Temperature: Wann antwortet KI kreativ, wann präzise?
2️⃣ Systeme bauen, nicht nur Prompts
Hier wird es praktisch: LLMs werden mit deterministischer Logik verbunden.
Ein Real-World-Beispiel, die automatisierte Angebotserstellung:
✅ LLM versteht die Kundenanfrage
✅ Python berechnet Preise
✅ Datenbank liefert Produktinformationen
✅ LLM formuliert das Angebot
Das LLM ist EIN Baustein und mischt die Lösung mit:
🔹 Tool Use & Function Calling
🔹 RAG (Retrieval-Augmented Generation)
🔹 Testing & Evaluation
Die meisten Projekte scheitern hier, weil Prompten einfach erscheint, System-Engineering aber schwere Arbeit ist.
3️⃣ Unsicherheit orchestrieren
Die Meisterklasse: Sie akzeptieren, dass LLMs niemals 100% deterministisch sein können und bauen trotzdem verlässliche Workflows.
Beispiel Multi-Agenten-System:
📍Agent A: Dokument analysieren (stochastisch)
📍Agent B: Gegen Regelwerk prüfen (deterministisch)
📍Agent C: Unklarheiten eskalieren
📍Supervisor: Überwacht, greift bei Anomalien ein
Es braucht Sicherheitsnetze für Unsicherheit:
🔹 Agentic AI mit MCP (Model Context Protocol)
🔹 Guardrails & Safety Layers
🔹 Observability
Die unbequeme Wahrheit ist, die gefährlichsten Projekte sind nicht die mit zu wenig Budget. Es sind die mit zu wenig Verständnis gepaart mit großen Investitionen.
Unsere These: Die KI-Transformation funktioniert nur, wenn die Mathematik verstanden wurde und Systeme gebaut werden, die Unsicherheit orchestrieren.
Alles andere ist teurer Versuch und Irrtum.
Wir begleiten Sie mit unserem Kompetenz-Zentrum auf dem Weg von Stufe 1 zu Stufe 3 und bieten dafür auch Lilo/LivingApps, besonders jedoch das Know-how in Agentic AI an.
Lassen Sie uns darüber sprechen!
