Die meisten KI-Experten sind keine — und warum das entscheidend ist
Öffnen Sie LinkedIn. Geben Sie „KI-Experte" ein. Sie finden Tausende Profile. Die meisten haben denselben Werdegang: Berater für digitale Transformation, dann RPA-Automatisierung, dann „generative KI" seit 2023. Ihr Angebot: ein LLM an Ihre bestehenden Tools anbinden. Workflows bauen. Texte generieren.
Das sind keine KI-Experten. Das sind Automatisierungsexperten, die ihre Bio geändert haben.
Der Unterschied ist keine semantische Spitzfindigkeit. Es ist der Unterschied zwischen einem Mechaniker und einem Chirurgen. Beide benutzen Werkzeuge. Nur einer versteht, was er schneidet.
Automatisierung: schneller machen, was man bereits kann
Automatisierung gibt es seit Jahrzehnten. Sie erlebte ein goldenes Zeitalter mit Low-Code und No-Code: n8n, Zapier, Make, Power Automate. Das Prinzip ist immer dasselbe:
WENN [Auslöser] DANN [Aktion A] DANN [Aktion B] SONST [Aktion C].
Das ist deterministisch. Reproduzierbar. Testbar. Und äußerst nützlich. Den Versand einer Erinnerungsmail zu automatisieren, wenn ein Interessent ein Dokument öffnet — das ist solide Ingenieursarbeit. Es spart Zeit. Es reduziert Fehler. Es skaliert.
Aber es hat nichts mit künstlicher Intelligenz zu tun.
Wenn ein „KI-Experte" Ihnen vorschlägt, „GPT an Ihr CRM anzubinden, um personalisierte E-Mails zu generieren", betreibt er Automatisierung mit einer LLM-Komponente. Das LLM ist ein Knoten in einem Workflow. Es wird aufgerufen, generiert Text, der Text wird in den nächsten Knoten eingespeist. Das Denken — sofern vorhanden — wird an den Prompt delegiert, der einmal geschrieben und nie hinterfragt wird.
Das ist, als würde man ein Raketentriebwerk an einen Tretroller montieren. Die Leistung ist da, aber die Architektur weiß nichts damit anzufangen.
Kognition: leisten, was man vorher nicht konnte
Ein kognitives System folgt keinem Workflow. Es denkt. Der Unterschied ist strukturell:
| Automatisierung | Kognition | |
|---|---|---|
| Logik | Deterministisch (WENN/DANN) | Heuristisch (Bewertung, Gewichtung, Abwägung) |
| Input | Strukturiert (Felder, Formulare) | Unstrukturiert (Dokumente, natürliche Sprache, Ambiguität) |
| Output | Quantitativ (schneller, häufiger) | Qualitativ (besser, relevanter, treffender) |
| Fehler | Bug (reproduzierbar, nachverfolgbar) | Bias (subtil, kontextabhängig, kumulativ) |
| Skalierbarkeit | Linear (mehr Workflows = mehr Ergebnisse) | Nichtlinear (Qualität hängt von Tiefe ab, nicht von Volumen) |
| Erforderliche Expertise | Integration, Konnektoren, API | Informationstheorie, Linguistik, kognitive Architektur |
Ein KI-Agent, der diesen Namen verdient, ruft nicht einfach ein LLM mit einem Prompt auf. Er strukturiert das Denken des Modells. Er steuert die implizite Temperatur über die Syntax. Er reduziert die bedingte Entropie bei jeder Anweisung. Er verwaltet Arbeitsgedächtnis, Kontext, Aufmerksamkeit. Er weiß, dass Information in der Mitte des Kontexts untergewichtet wird. Er weiß, dass ein Prompt ein deklaratives Programm ist, kein Gespräch.
Dieses Know-how existiert nicht im Werkzeugkasten des Automatisierers.
Der Test, der nicht lügt
Stellen Sie Ihrem „KI-Experten" eine einfache Frage: Wie steuern Sie die Aufmerksamkeit des Modells bei einem Kontext von 200 Seiten?
Der Automatisierer wird antworten: „Wir teilen in Chunks auf und machen RAG." Das ist die Standardantwort. Sie funktioniert für eine FAQ. Sie scheitert kläglich, wenn das Denken 15 Dokumente kreuzen, widersprüchliche Anforderungen abwägen und ein Argument produzieren muss, das vor einem Expertengutachter standhält.
Der Kognitionsexperte antwortet anders. Er spricht von redaktioneller Kompression — Rauschen eliminieren, Signal bewahren. Er spricht von frischem Kontext pro Phase — den Gesprächsverlauf löschen, um nur die relevanten Ergebnisse zu behalten. Er spricht von Prompt Caching — die Kosten eines massiven System-Prompts über Dutzende Iterationen amortisieren. Er spricht von der Vorab-Injektion von Ergebnissen in den System-Prompt, damit diese niemals komprimiert werden. Er spricht vom Unterschied zwischen roher Entropie und bedingter Entropie.
Das sind keine Modewörter. Das sind Architekturentscheidungen, die bestimmen, ob das System ein generisches Dokument produziert oder ein Dokument, das gewinnt.
Der KI-Agent ist kein LLM, das an Tools angeschlossen ist
Die vorherrschende Vorstellung eines KI-Agenten — die in 95 % aller Demos zu sehen ist — sieht so aus:
Benutzer → Prompt → LLM → Tool 1 → LLM → Tool 2 → Ergebnis
Das ist eine Pipeline. Das ist Automatisierung mit einem LLM in der Mitte. Das LLM entscheidet, welches Tool aufgerufen wird, aber die Logik ist flach: lesen, aufrufen, schreiben, wiederholen.
Ein echtes kognitives System funktioniert anders:
Strategischer Kontext (vorab injiziert, gecacht, nie komprimiert)
+ Phasenheuristiken (welches Denkmuster jetzt anwenden?)
+ Arbeitsgedächtnis (vorherige Ergebnisse, Nutzerentscheidungen)
+ ReAct-Schleife (denken → handeln → beobachten → anpassen)
+ Qualitätskontrolle (ist das Ergebnis auf dem erforderlichen Niveau?)
→ Qualitatives, nachverfolgbares, fundiertes Ergebnis
Die Heuristiken sind das Herzstück des Systems. Nicht das LLM. Das LLM ist der Ausführungsmotor. Die Heuristiken sind der Pilot. Sie bestimmen:
- Was gelesen wird und in welcher Reihenfolge (nicht alles auf einmal — Dokument für Dokument, mit Kontext-Reset zwischen jedem)
- Was behalten und was verworfen wird (redaktionelle Kompression: juristischen Boilerplate entfernen, wörtliche Formulierungen der Ausschlusskriterien bewahren)
- Wie gedacht wird über das Gelesene (JTBD, um den Bedarf zu verstehen, Shipley, um die Antwort zu strukturieren, TOGAF für die Architektur)
- Wie geschrieben wird, was gedacht wurde (kalibrierte Argumentationsmuster — Spiegel-Erhöhung für das Verständnis, SCR für die Methodik, PPP für die Zusagen)
- Wie überprüft wird, was geschrieben wurde (Konformitätsmatrix, Gutachtertest, dokumentenübergreifende Kohärenz)
Entfernen Sie die Heuristiken, behalten Sie das LLM und die Tools: Sie erhalten einen sehr schnellen Generator für Mittelmäßigkeit. Genau das tun die meisten „KI-Lösungen" auf dem Markt.
Warum echte Experten selten sind
Kognitive Heuristiken zu entwickeln erfordert eine Kombination von Kompetenzen, die fast nirgends existiert:
- Informationstheorie — verstehen, wie ein LLM Signal verarbeitet, wo es Aufmerksamkeit verliert, wie die bedingte Entropie die Ausgabequalität bestimmt
- Tiefe Fachexpertise — Heuristiken lassen sich nicht erfinden. Sie werden aus der Erfahrung einer Domäne abgeleitet. Für die Angebotserstellung muss man Dutzende Ausschreibungsunterlagen analysiert, technische Konzepte verfasst, Aufträge verloren und gewonnen und verstanden haben, warum
- Softwarearchitektur — Verwaltung von Speicher, Kontext, Caching, Phasenübergängen, Persistenz von Entscheidungen. Das ist kein Jupyter Notebook
- Produktgespür — wissen, wann der Agent den Menschen fragen soll (nicht alles allein, nicht ständig), wo die Arbeit der Maschine endet und die des Bid Manager beginnt
Der Automatisierer beherrscht Punkt 3, teilweise. Die anderen drei fehlen ihm. Deshalb produzieren seine „KI-Agenten" Volumen, nicht Wert.
Was das für Sie bedeutet
Wenn Sie eine KI-Lösung für Ihre Angebotserstellung evaluieren — oder für jeden anderen Bereich mit hoher Fachexpertise — stellen Sie die richtigen Fragen:
Fragen Sie nicht: „Welche LLMs verwenden Sie?" Alle verwenden dieselben (GPT-4, Claude, Gemini). Das Modell ist ein Commodity.
Fragen Sie: „Welche Heuristiken haben Sie für meine Domäne entwickelt?" Wenn die Antwort vage bleibt („wir verwenden optimierte Prompts"), ist es verkleidete Automatisierung.
Fragen Sie: „Wie verarbeiten Sie ein Leistungsverzeichnis von 150 Seiten mit widersprüchlichen Anforderungen?" Wenn die Antwort „RAG" lautet, gehen Sie weiter. Ein Leistungsverzeichnis ist keine Wissensdatenbank zum Abfragen. Es ist ein Anforderungssystem, das verstanden, priorisiert und abgewogen werden muss.
Fragen Sie: „Zeigen Sie mir ein von Ihrem System erstelltes Ergebnis." Keine Demo. Ein echtes Ergebnis, zu einer echten Ausschreibung. Der Unterschied zwischen einem generischen technischen Konzept und einem Konzept, das gewinnt, ist in 30 Sekunden erkennbar für jeden, der schon einmal ein Angebot bewertet hat.
TenderGraph: Kognition, nicht Automatisierung
Unser System schließt kein LLM an Tools an. Es durchläuft 12 Phasen strukturierten Denkens, jede mit eigenen Heuristiken, eigenen Argumentationsmustern, eigenen Qualitätskontrollen. Es liest Ausschreibungsunterlagen in redaktioneller Kompression — Dokument für Dokument, frischer Kontext zwischen jeder Lektüre, reines Signal bewahrt. Es entwickelt ein Wertversprechen, das in den Jobs-to-be-Done des Auftraggebers verankert ist. Es verfasst ein technisches Konzept, in dem jedes Argument auf eine Anforderung rückverfolgbar ist, jede Zusage fundiert, jeder Abschnitt darauf kalibriert ist, die Bewertung zu maximieren.
Das ist kein Workflow mit einem LLM in der Mitte. Das ist ein kognitives System, das die Angebotsunterlagen so durchdenkt, wie es ein erfahrener Projektdirektor tun würde — mit mehr Präzision und ohne Ermüdung.
Automatisierungsexperten bauen Leitungen. Kognitionsexperten bauen Gehirne. Die Leitung transportiert. Das Gehirn entscheidet.
Wir bauen Gehirne.
Lesen Sie auch:
- Optimale kognitive Kodierung: Prompt Engineering mit höchster Präzision
- Praxisbeispiel: Wenn KI industrielle Mittelmäßigkeit produziert
- KI und öffentliche Ausschreibungen: Warum mehr Automatisierung nicht mehr gewonnene Aufträge bedeutet
- Die Informationsrevolution: Warum KI das Rauschen ebenso verstärkt, wie sie es beseitigen kann