Es gibt Wochen, in denen läuft alles rund. Die Automatisierungen greifen, die Kunden sind zufrieden, und der Schäfer überblickt seine Datenherde mit dem ruhigen Wohlgefühl eines Mannes, der weiß, wo jedes Schaf steht. Und dann gibt es Wochen wie diese.
Diese Woche war ich mein eigener schlechtester Kunde.
—
Der Schäfer baut sich eine Falle, tritt hinein und fällt auf die Nase
Es begann mit einer simplen Aufgabe: Ich wollte aus einer bestehenden SQL-Server-Datenbank eine Auswertung ziehen. Nichts Dramatisches. Ein paar Tabellen, ein paar Bedingungen, eine Ergebnismenge. Der klassische Brot-und-Butter-Job eines Datenbankentwicklers.
Aber ich hatte diese Woche eine Idee.
Warum nicht einen KI-gestützten Workflow bauen, der diese Auswertung automatisch interpretiert, zusammenfasst und als lesbaren Bericht aufbereitet? Klingt gut, oder? Effizienter. Moderner. Genau das, was ich meinen Kunden predige.
Also baute ich. Ich verknüpfte die Datenbank mit einem API-Aufruf, formulierte Prompts, testete die Ausgabe, verfeinerte die Prompts wieder, baute einen Zwischenschritt ein, weil die Ausgabe nicht ganz passte, und justierte das Ganze noch dreimal nach. Zwischendurch bemerkte ich, dass mein Prompt bei bestimmten Datensätzen unzuverlässige Zusammenfassungen produzierte. Also noch eine Validierungsschicht.
Nach etwa drei Stunden hatte ich ein funktionierendes System.
Das ursprüngliche SQL-Statement hätte ich in zehn Minuten schreiben können.
—
Was genau ist hier schiefgelaufen?
Ich habe einen klassischen Denkfehler begangen, den ich sonst bei anderen kritisiere: Ich habe zuerst die Technologie gewählt und dann das Problem daran angepasst, statt umgekehrt.
Die Frage war nicht: „Welche Auswertung brauche ich?“ Die Frage wurde unbewusst: „Wie baue ich das mit KI?“ Und genau da liegt die Falle. KI ist kein Hammer, mit dem jedes Problem zum Nagel wird. Es ist ein Werkzeug mit spezifischen Stärken, und das Auflisten von gefilterten Datenbankzeilen gehört nicht zu den überzeugendsten davon.
Das, was ich gebaut habe, hat am Ende trotzdem einen Wert, das möchte ich nicht kleinreden. Für wiederkehrende Berichte mit wechselndem Publikum, das keine SQL-Ergebnistabellen lesen möchte, kann so ein Workflow durchaus sinnvoll sein. Aber für meinen konkreten Anwendungsfall, eine einmalige interne Auswertung, war es schlicht überdimensioniert.
—
Was der Schäfer daraus mitnimmt
Erstens: Selbstironie ist eine unterschätzte Fähigkeit. Wer andere dabei berät, den richtigen Werkzeugkasten zu öffnen, sollte gelegentlich den eigenen überprüfen.
Zweitens: Die Frage vor jedem Projekt sollte lauten: Was ist das einfachste Mittel, das hier zuverlässig funktioniert? Nicht: Wie baue ich das möglichst modern? Einfachheit ist keine Schwäche. Ein präzises SQL-Statement, das in zehn Minuten geschrieben ist und exakt das liefert, was gebraucht wird, ist eine hervorragende Lösung.
Drittens, und das ist vielleicht der wichtigste Punkt: Es ist in Ordnung, das laut zu sagen. Ich bin überzeugt davon, dass KI und Automatisierung KMU echten Mehrwert bringen können. Aber zu dieser Überzeugung gehört auch die Ehrlichkeit, wann sie es nicht tun. Wer das unterschlägt, verkauft Hype, keinen Nutzen.
—
Fazit: Die Herde steht, der Schäfer hat gelernt
Am Ende der Woche ist die Datenherde heil. Die Auswertung ist fertig, das System läuft, und ich habe drei Stunden investiert, die ich beim nächsten Mal kluger einsetzen werde.
Der Herdenbericht dieser Woche lautet also: Die Schafe sind alle da, der Schäfer hat kurz auf das falsche Werkzeug gesetzt und sitzt jetzt etwas gerädert, aber klüger auf seinem Stein.
Das ist, glaube ich, eine ehrliche Bilanz.
Wenn Sie selbst gerade überlegen, ob ein KI-Workflow oder ein klassischer Datenbankansatz für Ihren Anwendungsfall besser passt: Genau dafür gibt es Beratung. Manchmal ist das Ergebnis ein ausgeklügelter Automatisierungsworkflow. Manchmal ist es ein SQL-Statement. Beides hat seinen Platz, und den gemeinsam herauszufinden ist die eigentliche Arbeit.
