KI ist keine Silver Bullet

Im November fand der TdSE statt. Ich selber habe einen Vortrag mit dem Titel „Mit SysML v2 und generativer KI korrekte Systemmodelle erzeugen“ gehalten. Besonders spannend waren für mich natürlich auch die anderen Vorträge und Gespräche zu Künstlicher Intelligenz. Einige Eindrücke möchte ich teilen – insbesondere zur generativen KI, also großen Sprachmodellen (LLMs). Dabei sehe ich Potenzial, aber auch Kritikpunkte.

Generative KI – beeindruckend, aber nicht fehlerfrei

Die Fortschritte in der generativen KI sind beeindruckend. LLMs können Texte erstellen, transformieren und analysieren. Sie sind in der Lage, kreative Inhalte zu generieren, komplexe Fragen zu beantworten oder sogar Code zu schreiben. Doch nicht alles, was glänzt, ist Gold. In einigen Fällen sehe ich ihre Nutzung kritisch.

Ein Beispiel: Ein Systemmodell liegt in einem Modellierungswerkzeug vor. Es soll genutzt werden, um entweder Anforderungen in natürlicher Sprache zu generieren oder Modelltransformationen durchzuführen. Ich frage mich: Ist ein LLM hier wirklich die beste Wahl? Oft sind die Ergebnisse unzuverlässig oder schwer nachvollziehbar. Warum? Weil LLMs dazu neigen, nicht deterministisch zu arbeiten. Das bedeutet, ihre Ergebnisse können sich selbst bei identischen Eingaben unterscheiden. In einem Bereich, in dem Konsistenz und Verlässlichkeit entscheidend sind, kann das problematisch sein.

Bessere Alternativen für klare Prozesse

Wenn klar definiert ist, wie Eingaben in Ausgaben umgewandelt werden, sind regelbasierte Ansätze oft besser. Beispiele dafür sind Skripte zur automatisierten Datenkonvertierung, Regeln in Business Process Management-Systemen (BPM), die Workflow-Steuerung in Enterprise-Software oder Tools für die syntaktische Validierung von Eingabedaten. Diese Ansätze setzen auf festgelegte Regeln und sind damit reproduzierbar, nachvollziehbar und effizient.

Digitale Modelle können programmatisch weiterverarbeitet werden. Das wird jedoch zugunsten des KI-Hypes oft ignoriert. Dabei bieten klassische programmatische Ansätze oft präzisere und stabilere Ergebnisse. Sie garantieren, dass der Output den Erwartungen entspricht, ohne dass zusätzliche Qualitätssicherungsmaßnahmen erforderlich sind. Das spart Zeit, Kosten und reduziert das Fehlerrisiko.

Die Grenzen generativer KI

Generative KI hat ihre Stärken, keine Frage. Aber sie hat auch Schwächen. Ein großer Nachteil ist die mangelnde Transparenz. LLMs sind in ihrer Funktionsweise oft eine Black Box. Das erschwert es, Fehler zu identifizieren oder die Logik hinter einer bestimmten Ausgabe zu verstehen. Hinzu kommt, dass generative KI nicht von Natur aus logisch denkt, sondern auf Wahrscheinlichkeiten basiert. Das führt zu Ausgaben, die manchmal korrekt wirken, es aber nicht sind.

Ein weiteres Problem: Generative KI benötigt immense Datenmengen und Rechenressourcen. In Szenarien, in denen eine schnelle und ressourcenschonende Lösung gefragt ist, können regelbasierte Systeme klar punkten. Sie sind weniger anspruchsvoll und erfordern keine aufwendigen Trainingsphasen.

Wo LLMs wirklich glänzen

Das bedeutet jedoch nicht, dass LLMs keinen Platz haben. Im Gegenteil. Sie sind ideal, wenn unstrukturierte Eingaben in kreative Ausgaben umgewandelt werden sollen. Ein gutes Beispiel ist die Erstellung von Texten, die neue Perspektiven oder innovative Ideen beinhalten. Hier können LLMs ihre Stärke voll ausspielen. Sie sind auch hilfreich, um erste Entwürfe zu generieren, die später verfeinert werden.

Meine Faustregel lautet: Wenn Kreativität gefragt ist und die Anforderungen nicht strikt definiert sind, ist generative KI eine gute Wahl. Aber wenn Präzision und Konsistenz im Vordergrund stehen, sollte man sich auf regelbasierte Ansätze verlassen.

Fazit: KI mit Bedacht einsetzen

KI ist mächtig, aber keine Lösung für alles. Der aktuelle Hype führt oft dazu, dass etablierte Ansätze ignoriert werden. Doch in vielen Fällen sind regelbasierte Methoden nach wie vor die bessere Wahl. Sie sind effizient, verlässlich und oft kostengünstiger.

Wir sollten KI gezielt einsetzen, um ihr volles Potenzial auszuschöpfen – ohne uns blind vom Hype leiten zu lassen. Das bedeutet, die jeweiligen Stärken und Schwächen zu kennen und abzuwägen, was in der Praxis wirklich sinnvoll ist. Denn am Ende zählt nicht, was modern ist, sondern was funktioniert.

Apropos funktionieren: Wenn Du wissen willst, wie wir unseren KI-Assistenten einsetzen, um aus natürlichsprachlichen Anforderungen SysML-Modelle zu generieren, schau doch mal auf unserer Homepage vorbei!