Was ist maschinelles Lernen für Unternehmen und wo hilft es wirklich?

Hinter der Frage „Was ist maschinelles Lernen für Unternehmen?“ steckt meist ein praktisches Anliegen. Sie wollen wissen, ob die Technik im eigenen Betrieb etwas leistet oder nur gut klingt. Die ehrliche Antwort: Sie leistet etwas, aber nur bei klar umrissenen Aufgaben und brauchbaren Daten. Dieser Beitrag erklärt das Prinzip ohne Fachjargon und zeigt, woran Sie einen tragfähigen Anwendungsfall erkennen.

Die kurze Antwort: Lernen aus Beispielen statt aus Regeln

Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz. Ein Entwickler legt nicht jede Regel von Hand fest, sondern das System erkennt Muster in Beispieldaten und überträgt sie auf neue Fälle. Laut dem Fraunhofer IAO zu Spielarten der Künstlichen Intelligenz steht bei diesen Verfahren das Lernen aus Daten und Erfahrungswissen im Mittelpunkt. Die Medien nutzen den Begriff oft gleichbedeutend mit KI, obwohl er nur eines von vielen Teilgebieten beschreibt.

Für Ihren Alltag zählt vor allem ein Unterschied. Ein klassisches Programm folgt festen Wenn-dann-Regeln und verhält sich vorhersehbar. Ein lernendes System urteilt nach Wahrscheinlichkeiten, und deshalb liegt es gelegentlich daneben. Das ist kein Defekt, sondern Teil des Prinzips. Auch t3n ordnet maschinelles Lernen als Oberbegriff für Verfahren ein, mit denen Maschinen aus Erfahrung Wissen aufbauen.

So lernt ein System: Trainingsdaten, Zielwert, Korrektur

Das Fraunhofer IAO erklärt den Ablauf am Beispiel eines Bildklassifikators. Das System erhält zehntausende Bilder von Hunden und Katzen, bei denen das Ergebnis bereits feststeht. Es rechnet, vergleicht sein Resultat mit dem Zielwert und lernt aus den Fehlern. Je höher die Datenqualität und je größer die Menge, desto besser lässt sich das System trainieren.

Dasselbe Prinzip passt auf Büroabläufe. Das Fraunhofer IAO nennt die automatisierte Beschaffung von Büromaterial: Das System lernt aus vergangenen Vorgängen, ob eine Bestellung automatisch durchlief oder ein Mitarbeiter korrigieren musste. Übertragen auf Ihren Betrieb sind Rechnungen, Anfragen oder Tickets der letzten Jahre das Trainingsmaterial. Dokumentieren Ihre Mitarbeiter Fälle uneinheitlich, lernt das System genau diese Uneinheitlichkeit mit. Was maschinelles Lernen für Ihr Unternehmen ist, entscheidet sich also bei den Daten, nicht beim Werkzeug.

Maschinelles Lernen, Deep Learning, KI: Die Begriffe sortiert

Die Fachbegriffe verschwimmen schnell, deshalb hier die Reihenfolge vom Groben zum Feinen.

• Künstliche Intelligenz: Sammelbegriff für sehr unterschiedliche Disziplinen.
• Maschinelles Lernen: Verfahren, die aus Daten lernen statt aus festen Regeln.
• Neuronale Netze: Viele verbundene künstliche Neuronen, angeordnet in Schichten für Eingabe, Verarbeitung und Ausgabe.
• Deep Learning: Neuronale Netze mit besonders vielen verborgenen Schichten.

Beim Training legt ein Lernalgorithmus namens Back-Propagation fest, wie stark jede Verbindung Information weitergibt. Heutige Anwendungen wie Textverstehen, Bilderkennung oder Chatbots zählt das Fraunhofer IAO zur sogenannten schwachen KI, also zu eng definierten Aufgaben. Eine starke KI mit menschenähnlichem Gesamtvermögen hielt das Institut 2019 noch nicht für realisierbar. Für Ihre Planung folgt daraus eine klare Konsequenz: Sie beschaffen immer eine Lösung für eine Aufgabe, nie allgemeine Intelligenz.

Woran Sie einen tragfähigen Anwendungsfall erkennen

Die Technik ist selten das Problem, der Anwendungsfall entscheidet. Der KI Bundesverband betont in seinem Positionspapier zur Regulierung von Künstlicher Intelligenz, dass Qualität und Risiko im Kontext des konkreten Einsatzes zu bewerten sind. Er schlägt dafür elf Kriterien vor, verteilt auf Trainingsdaten, Algorithmus, Daten im laufenden Betrieb und Vorhersage. Das Papier stammt von 2021 und gibt die Sicht eines Branchenverbands wieder, es ist kein geltendes Recht. Als Denkraster taugt es dennoch, und die Tabelle übersetzt die wichtigsten Kriterien in Fragen an Ihr Vorhaben.

Kriterium	Frage an Ihren Anwendungsfall	Warum es zählt
Trainingsdaten	Sind die Daten fest oder kommen laufend neue hinzu?	Laufend ändernde Daten machen die Stabilität der Ergebnisse unsicherer.
Personenbezogene Daten	Enthalten die Daten Angaben zu Kunden oder Mitarbeitern?	Dann gelten die Bestimmungen der DSGVO.
Offene Datenquellen	Können Dritte die Daten beeinflussen?	Offene Prozesse bieten Angriffsfläche für Manipulation.
Erklärbarkeit	Muss sich jede Entscheidung begründen lassen?	Entscheidungsbäume sind erklärbar, komplexe neuronale Netze oft nicht.
Empfehlung oder Entscheidung	Prüft ein Mensch das Ergebnis vor der Handlung?	Bei automatischer Durchführung steigt das Risiko.
Wirkung auf Menschen	Betrifft das Ergebnis Personen oder nur Abläufe?	Entscheidungen über Menschen, etwa zur Kreditwürdigkeit, brauchen mehr Aufsicht als Verkaufsempfehlungen.

Daraus folgt eine einfache Regel: Starten Sie mit Empfehlungen, die ein Mensch prüft, und lassen Sie das System erst später selbst entscheiden. Der Verband weist außerdem darauf hin, dass sich 100 Prozent Genauigkeit selten erreichen lassen, und nimmt die menschliche Leistung als Maßstab. Messen Sie also zuerst, wie viele Fehler Ihr Team heute macht, sonst fehlt Ihnen für jeden Pilot der Vergleichswert. Ob die DSGVO oder weitere Vorschriften Ihren Fall betreffen, klärt eine Datenschutzfachperson oder eine Rechtsberatung, denn die Antwort hängt vom Einzelfall ab.

Kaufen, anpassen oder selbst bauen lassen

Viele gängige Programme bringen lernende Funktionen bereits mit, und der KI Bundesverband erwartet, dass immer mehr Software KI-Funktionen nutzt. Löst eine solche Standardfunktion Ihr Problem, kaufen Sie sie. Eine Eigenentwicklung oder Integration lohnt erst, wenn Ihre Daten, Abläufe oder Schnittstellen so speziell sind, dass Standardsoftware sie nicht abbildet. Wie sich solche Entscheidungen in eine Gesamtplanung einfügen, beschreibt unser Beitrag zur Digitalisierungsstrategie für KMU.

Auch die Forschung hilft bei der Einordnung. Das DFKI erforscht im Bereich interaktives maschinelles Lernen unter anderem Erklärbarkeit, Lernen mit wenigen Daten und Transfer-Lernen. Solche Ansätze sollen den Datenbedarf senken oder Entscheidungen nachvollziehbar machen. Forschung ist aber keine Zusage für Ihr Projekt, fragen Sie Anbieter deshalb, was davon bereits im Betrieb läuft. Wenn Sie einen Agenten erwägen, klärt der Beitrag KI-Agenten für Unternehmen prüfen, was dieser allein tun darf.

Grenzen, die Sie einplanen sollten

Maschinelles Lernen macht Fehler, auch bei guter Umsetzung. Planen Sie deshalb eine Stelle ein, die Ausnahmen prüft, und legen Sie vorab fest, ab welcher Fehlerquote Sie eingreifen. Ändern sich Ihre Daten laufend, schwankt auch die Qualität der Ergebnisse, weshalb ein Modell regelmäßige Kontrolle braucht. Komplexe neuronale Netze liefern zudem oft keine nachvollziehbare Begründung, was bei Entscheidungen über Menschen ein ernstes Problem sein kann. Die Antwort auf „Was ist maschinelles Lernen für Unternehmen?“ lautet am Ende: ein Werkzeug für wiederkehrende Entscheidungen mit ausreichend guten Beispielen, nicht mehr und nicht weniger.

Nächste Schritte

1. Aufgabe benennen: Wählen Sie eine wiederkehrende Entscheidung, etwa das Sortieren eingehender Anfragen.
2. Datenlage sichten: Prüfen Sie, wie viele dokumentierte Vorgänge existieren und wie einheitlich sie erfasst sind.
3. Vergleichswert messen: Erheben Sie Fehlerquote und Bearbeitungszeit Ihres Teams als Maßstab.
4. Risiko einordnen: Klären Sie, ob das System empfiehlt oder entscheidet und ob personenbezogene Daten im Spiel sind.
5. Standard zuerst prüfen: Testen Sie, ob vorhandene Software die Aufgabe bereits mit lernenden Funktionen löst.

Häufige Fragen

Ist maschinelles Lernen dasselbe wie künstliche Intelligenz?

Nein. Maschinelles Lernen ist ein Teilgebiet der KI, das sich auf Verfahren konzentriert, die aus Daten lernen. Die KI umfasst zusätzlich weitere, sehr unterschiedliche Disziplinen.

Braucht maschinelles Lernen immer große Datenmengen?

Nicht in jedem Fall. Das Fraunhofer IAO nennt Datenmenge und Datenqualität als Treiber der Trainingsqualität, und die Forschung untersucht auch das Lernen mit wenigen Daten. Wie viele Beispiele Ihr Fall braucht, klären Sie mit Ihrem Umsetzungspartner.

Was unterscheidet Deep Learning von maschinellem Lernen?

Deep Learning ist ein Teilbereich des maschinellen Lernens. Es nutzt neuronale Netze mit besonders vielen verborgenen Schichten.

Muss ich beim maschinellen Lernen die DSGVO beachten?

Enthalten Ihre Daten personenbezogene Angaben, gelten laut KI Bundesverband die Bestimmungen der DSGVO. Lassen Sie Ihren Einzelfall von einer Datenschutzfachperson prüfen.