Machine Learning einfach erklärt für KMU

Machine Learning ist in vielen Gesprächen rund um Digitalisierung, Automatisierung und KI schnell präsent. Gleichzeitig bleibt oft unklar, was damit konkret gemeint ist. Gerade in Schweizer KMU führt das zu Missverständnissen: Ein lernendes System wird mit klassischer Software gleichgesetzt, oder es entstehen Erwartungen, die in der Praxis kaum erfüllbar sind.

Dabei ist der Grundgedanke gut verständlich. Klassische Software folgt Regeln, die vorab festgelegt werden. Machine Learning dagegen erkennt Muster in Daten und lernt aus Beispielen. Dieser Unterschied ist zentral, wenn Unternehmen beurteilen wollen, ob ein Prozess mit festen Regeln automatisiert werden kann oder ob ein lernender Ansatz sinnvoll ist.

Wer diesen Unterschied versteht, kann KI- und Automatisierungsprojekte realistischer einschätzen: Wo reichen klare Prozessregeln? Wo sind Beispiele und Trainingsdaten nötig? Und wo ist der Aufwand höher als der Nutzen?

Was Machine Learning im Kern bedeutet

Machine Learning ist ein datengetriebener Ansatz. Ein System erhält nicht jede einzelne Regel manuell vorgegeben, sondern lernt aus vorhandenen Beispielen, wie bestimmte Aufgaben gelöst werden sollen.

Ein einfaches Bild hilft: Bei klassischer Software wird dem System gesagt, was es in jedem Fall tun soll. Bei Machine Learning zeigt man dem System viele Beispiele, aus denen es typische Muster ableitet. Anschliessend kann es neue Fälle anhand dieser Muster einschätzen.

Das heisst nicht, dass das System «versteht» wie ein Mensch. Es erkennt statistische Zusammenhänge in Daten. Wenn genügend passende Beispiele vorhanden sind, kann es etwa lernen:

• ob eine E-Mail eher eine Anfrage, eine Reklamation oder Spam ist

• ob eine Rechnung zu einer bestimmten Kategorie gehört

• ob ein Vorgang voraussichtlich manuelle Nachbearbeitung braucht

Wichtig ist: Machine Learning ersetzt keine unklaren Prozesse. Es funktioniert am besten dort, wo das Ziel eindeutig ist und wo bereits nachvollziehbare Beispiele vorliegen. Wenn intern nicht klar ist, was überhaupt als richtiges Ergebnis gilt, wird auch das Training eines Modells unsauber.

Für Schweizer KMU ist genau diese Einordnung wichtig. Machine Learning ist kein Allzweckwerkzeug, sondern eine Methode für klar abgegrenzte Aufgaben, bei denen Muster in Daten eine Rolle spielen.

Der Unterschied zwischen klassischer Programmierung und Machine Learning

Die Verwechslung zwischen regelbasierter Software und lernenden Systemen ist weit verbreitet. Der Unterschied zwischen Programmierung und Machine Learning lässt sich jedoch einfach erklären.

Bei der klassischen Programmierung werden Regeln explizit definiert. Das System arbeitet nach einer Wenn-dann-Logik:

• Wenn auf einer Rechnung ein bestimmtes Stichwort steht, dann ordne sie einer Kostenstelle zu.

• Wenn eine E-Mail von einer bekannten Domain kommt, dann leite sie an eine bestimmte Abteilung weiter.

• Wenn ein Betrag über einem festgelegten Schwellenwert liegt, dann markiere den Vorgang zur Prüfung.

Das ist sinnvoll, solange die Regeln stabil, eindeutig und vollständig formulierbar sind.

Bei Machine Learning funktioniert der Weg anders. Das System bekommt Beispiele mit korrekten Ergebnissen und lernt daraus ein Modell. Es bildet also nicht jede Regel sichtbar ab, sondern erkennt Muster in den Trainingsdaten.

Ein praktischer Vergleich:

Klassische Programmierung ist wie ein detailliertes Handbuch mit klaren Anweisungen für jeden Fall. Machine Learning ist eher wie das Einarbeiten einer Person anhand vieler Beispiele: Welche E-Mails sind dringend? Welche Belege gehören in welche Kategorie? Welche Anfragen sind meistens besonders zeitkritisch?

Das bedeutet auch: Ein lernendes System liefert nicht in jedem Fall eine starre Ja-nein-Entscheidung auf Basis einer einzelnen Regel. Es trifft Einschätzungen auf Grundlage dessen, was es aus Beispielen gelernt hat. Das Resultat ist oft wahrscheinlichkeitsbasiert statt absolut.

Für KMU ist diese Unterscheidung entscheidend. Nicht jede Aufgabe braucht Machine Learning. Viele Prozesse lassen sich mit sauberer Prozessdefinition und regelbasierter Automatisierung einfacher, günstiger und robuster lösen. Wo jedoch viele Ausnahmen, unklare Formulierungen oder wechselnde Muster vorkommen, kann ein lernender Ansatz sinnvoller sein.

Einfache Beispiele aus dem KMU-Alltag: Rechnungen, E-Mails oder Support-Anfragen

Der Nutzen von Machine Learning wird greifbar, wenn Alltagssituationen aus Administration, Operations oder Kundenservice betrachtet werden. Genau dort zeigt sich, wann feste Regeln genügen und wann lernende Systeme Vorteile bringen können. Weitere Praxiswissen rund um Automatisierung und KI hilft dabei, solche Anwendungsfälle realistisch einzuordnen.

Rechnungen und Belege zuordnen

Ein KMU erhält Rechnungen von verschiedenen Lieferanten. Manche Dokumente sind sauber strukturiert, andere weniger. Das Ziel ist, Belege automatisch einer Kategorie, einem Prozessschritt oder einer verantwortlichen Stelle zuzuordnen.

Regelbasierter Ansatz:

Wenn ein Lieferant bekannt ist und bestimmte Felder immer an derselben Stelle stehen, können klare Regeln reichen. Zum Beispiel: Wenn Lieferant X, dann Kostenstelle Y. Oder: Wenn das Dokument den Begriff «Miete» enthält, dann Kategorie Verwaltung.

Machine-Learning-Ansatz:

Wenn Rechnungen unterschiedlich aufgebaut sind, Texte variieren und Ausnahmen häufig sind, wird die Pflege fester Regeln schnell aufwendig. Ein Modell kann aus vielen bereits korrekt zugeordneten Belegen lernen, welche Merkmale typischerweise zu einer bestimmten Kategorie gehören.

Der Punkt ist nicht, dass ML automatisch besser ist. Wenn der Prozess mit wenigen stabilen Regeln sauber abbildbar ist, bleibt regelbasierte Automatisierung oft die bessere Lösung.

E-Mails klassifizieren

Im Kundenkontakt oder in der internen Administration gehen täglich E-Mails ein: Offertanfragen, Liefertermine, Reklamationen, Änderungswünsche, Rechnungsfragen.

Regelbasierter Ansatz:

Wenn bestimmte Begriffe zuverlässig vorkommen, kann eine einfache Sortierung genügen. Beispiel: Enthält die Betreffzeile «Rechnung», dann an Buchhaltung. Kommt eine Nachricht an eine bestimmte Adresse, dann in ein definiertes Postfach.

Machine-Learning-Ansatz:

Sobald Inhalte freier formuliert sind, stossen Regeln an Grenzen. Kundinnen und Kunden schreiben unterschiedlich, verwenden Synonyme oder beschreiben ein Problem indirekt. Ein ML-Modell kann aus historischen E-Mails lernen, welche Formulierungen typisch für eine Reklamation, eine dringende Störung oder eine allgemeine Anfrage sind.

Gerade hier wird sichtbar, was lernende Systeme leisten: Sie reagieren nicht nur auf exakt definierte Schlüsselwörter, sondern auf Muster in Sprache und Zusammenhang.

Support-Anfragen priorisieren

Ein weiteres Beispiel sind eingehende Support-Tickets. Nicht jede Anfrage ist gleich dringend. Manche betreffen einen vollständigen Ausfall, andere nur eine allgemeine Rückfrage.

Regelbasierter Ansatz:

Wenn Wörter wie «Stillstand», «dringend» oder «Ausfall» vorkommen, wird ein Ticket hoch priorisiert. Solche Regeln können hilfreich sein, sind aber oft grob.

Machine-Learning-Ansatz:

Ein Modell kann aus früheren Tickets lernen, welche Kombinationen von Formulierungen, Kundentypen, Produktbezügen oder Zeitpunkten typischerweise zu besonders dringenden Fällen gehören. Dadurch lässt sich die Reihenfolge der Bearbeitung besser unterstützen.

Wichtig bleibt jedoch: Die Entscheidungshoheit und das Prozesswissen liegen weiterhin im Unternehmen. Machine Learning unterstützt die Priorisierung, ersetzt aber keine fachliche Beurteilung in kritischen Fällen.

Warum Daten und Trainingsbeispiele über die Qualität des Ergebnisses entscheiden

Machine Learning steht und fällt mit den Daten. Das klingt einfach, wird in Projekten aber oft unterschätzt. Ein Modell lernt nicht aus einer Idee, sondern aus konkreten Beispielen. Wenn diese Beispiele ungeeignet, widersprüchlich oder fehlerhaft sind, wird auch das Ergebnis unzuverlässig.

Entscheidend sind vor allem drei Punkte.

Passende Daten

Die Daten müssen zur Fragestellung passen. Wer E-Mails klassifizieren will, braucht historische E-Mails mit sinnvoller Zuordnung. Wer Belege sortieren möchte, braucht korrekt zugewiesene Belege. Allgemeine Datenbestände helfen wenig, wenn sie nicht zur eigentlichen Aufgabe passen.

Saubere Kategorien und klare Beispiele

Ein Modell kann nur lernen, was intern nachvollziehbar definiert ist. Wenn dieselbe Art von Anfrage heute als «dringend», morgen als «normal» und nächste Woche als «unklar» markiert wird, entstehen widersprüchliche Trainingsbeispiele.

Das ist in der Praxis ein häufiger Punkt: Nicht die Technik ist zuerst das Problem, sondern die fehlende Einheitlichkeit in der Bearbeitung. Machine Learning macht solche Unschärfen sichtbar, löst sie aber nicht von selbst.

Datenqualität statt bloss Datenmenge

Machine Learning braucht genügend Trainingsbeispiele. Aber mehr Daten sind nicht automatisch besser. Wenn grosse Mengen unvollständig, doppelt, falsch beschriftet oder uneinheitlich sind, steigt der Nutzen nicht einfach mit der Masse.

Für KMU ist daher oft sinnvoller, mit einem kleineren, aber sauberen Datensatz zu beginnen. Gute Beispiele, klare Kategorien und eine nachvollziehbare Zieldefinition bringen mehr als ein unstrukturierter Datenberg.

Auch Fehler in den Daten wirken direkt auf das Modell. Wenn alte Support-Tickets falsch priorisiert wurden oder Rechnungen historisch uneinheitlich erfasst sind, lernt das System genau diese Muster mit. Das Modell wird dadurch nicht neutral, sondern übernimmt bestehende Unschärfen.

Deshalb gehört zur Vorbereitung eines ML-Projekts immer auch die Frage: Wie verlässlich sind die historischen Daten überhaupt? Und wo braucht es vor dem Training zuerst Datenbereinigung oder klare Standards?

Welche Ziele vor einem ML-Projekt geklärt sein müssen

Viele Projekte starten mit der Idee, «etwas mit KI» umzusetzen. Das ist kein tragfähiger Anfang. Ein sinnvolles Machine-Learning-Projekt beginnt nicht mit der Technologie, sondern mit einer konkreten Fragestellung.

Geeignete Ziele sind zum Beispiel:

• manuelle Prüfung bei wiederkehrenden Vorgängen reduzieren

• eingehende Anfragen schneller vorsortieren

• Belege oder Dokumente zuverlässiger zuordnen

• Fälle mit hohem Risiko oder hoher Dringlichkeit früh erkennen

• Prognosen für klar definierte operative Entscheidungen verbessern

Weniger hilfreich sind Formulierungen wie «mehr Effizienz» oder «digitale Transformation vorantreiben», wenn nicht klar ist, welcher Prozess konkret verbessert werden soll.

Ein zweiter wichtiger Punkt ist die Abgrenzung: Nicht jedes Problem eignet sich für Machine Learning. Wenn ein Prozess klar, stabil und mit wenigen Regeln beschreibbar ist, ist klassische Automatisierung meist einfacher. ML lohnt sich dort, wo Variationen, Mustererkennung und viele Ausnahmen eine Rolle spielen.

Beispiele für eher ungeeignete Fälle:

• sehr seltene Vorgänge ohne ausreichende Datenbasis

• Prozesse, die intern selbst nicht einheitlich bearbeitet werden

• Aufgaben, bei denen das Ziel nicht eindeutig messbar ist

• Fälle, in denen vollständige Nachvollziehbarkeit jeder Einzelregel zwingend ist

Genauso wichtig ist das Fachwissen im Prozess. Lernende Systeme brauchen Kontext: Welche Kategorien sind relevant? Welche Fehler sind kritisch? Was ist ein gutes Ergebnis? Dieses Wissen kommt nicht aus dem Modell, sondern aus dem Unternehmen.

Darum ist Machine Learning für KMU vor allem dann geeignet, wenn Fachbereich, Operations und Digitalisierung zusammenarbeiten. Technik allein löst das Problem nicht. Je klarer der Prozess bereits verstanden ist, desto besser kann ein lernender Ansatz darauf aufbauen.

Wer wissen will, wie solche Anwendungsfälle in der Praxis eingebettet werden, findet hier mehr zu Automatisierung und KI für Schweizer KMU.

Typische Missverständnisse rund um lernende Systeme

Rund um Machine Learning Grundlagen gibt es einige wiederkehrende Fehleinschätzungen. Sie führen oft dazu, dass Projekte zu früh zu viel erwarten oder falsch aufgesetzt werden.

«Das System lernt dann schon von selbst»

Nein. Ein Modell lernt nur dann sinnvoll, wenn Daten, Ziel und Trainingsbeispiele vorhanden sind. Ohne diese Grundlage gibt es kein belastbares Lernen. Auch nach dem Start braucht ein System Kontrolle und Pflege.

«Wenn es einmal trainiert ist, läuft es dauerhaft stabil»

Nicht unbedingt. Prozesse verändern sich, Formulierungen ändern sich, neue Produkte kommen hinzu, Kundengruppen verhalten sich anders. Dadurch können Modelle mit der Zeit an Qualität verlieren. Lernende Systeme brauchen Beobachtung und bei Bedarf Nachtraining.

«Die Ergebnisse sind immer eindeutig richtig oder falsch»

Machine Learning arbeitet häufig mit Wahrscheinlichkeiten. Ein Modell sagt nicht zwingend: «Das ist sicher Kategorie A.» Es sagt eher: «Mit hoher Wahrscheinlichkeit gehört dieser Fall zu Kategorie A.» Deshalb braucht es je nach Anwendung Schwellenwerte, Kontrollmechanismen oder manuelle Prüfpfade.

«Machine Learning ersetzt Fachwissen»

Auch das ist ein Missverständnis. Das Modell erkennt Muster, aber es kennt die betriebliche Bedeutung dieser Muster nicht aus eigener fachlicher Erfahrung. Wenn Prioritäten falsch definiert sind oder Kategorien fachlich keinen Sinn ergeben, wird das Modell diese Schwächen nicht korrigieren.

«Wenn die Resultate nicht perfekt sind, taugt die Methode nichts»

In der Praxis geht es selten um Perfektion. Entscheidend ist, ob das System den Prozess sinnvoll unterstützt. Wenn eine E-Mail-Vorsortierung 80 oder 90 Prozent der Fälle sauber vorbereitet und Mitarbeitende nur noch Ausnahmen prüfen müssen, kann das bereits einen klaren Nutzen bringen.

Realistische Erwartungen sind deshalb zentral. Ein lernendes System ist kein Ersatz für Prozessführung, sondern ein Werkzeug innerhalb eines gut gestalteten Ablaufs.

Woran Schweizer KMU ein sinnvolles Machine-Learning-Projekt erkennen

Nicht jeder Use Case ist gleich geeignet. Für Schweizer KMU helfen einige einfache Prüfpunkte, um ein Vorhaben realistisch einzuschätzen.

1. Es gibt ein klar abgegrenztes Problem

Der Anwendungsfall sollte konkret beschrieben werden können. Nicht «Kundenservice verbessern», sondern zum Beispiel «eingehende Support-Anfragen automatisch nach Dringlichkeit vorsortieren».

2. Der Nutzen ist nachvollziehbar

Ein Projekt sollte einen erkennbaren Mehrwert haben, etwa weniger manuelle Prüfung, schnellere Bearbeitung oder bessere Priorisierung. Ohne klaren Nutzen bleibt Machine Learning ein Experiment ohne geschäftliche Verankerung.

3. Daten sind vorhanden und grundsätzlich brauchbar

Es müssen historische Beispiele existieren, mit denen ein Modell trainiert werden kann. Dabei geht es nicht nur um Menge, sondern um Qualität, Konsistenz und Relevanz.

4. Der Prozess ist nicht chaotisch

Machine Learning funktioniert besser auf Basis eines bereits verstandenen Prozesses. Wenn Zuständigkeiten unklar sind, Kategorien laufend wechseln oder Ausnahmen die Regel sind, sollte zuerst der Prozess stabilisiert werden.

5. Verantwortlichkeiten sind intern geklärt

Es braucht Fachpersonen, die beurteilen können, was ein gutes Ergebnis ist, wie Fehler bewertet werden und wann Anpassungen nötig sind. Ohne diese Verantwortung bleibt ein ML-Projekt fachlich unpräzise.

6. Schrittweises Vorgehen ist möglich

Ein sinnvoller Start erfolgt oft klein: ein abgegrenzter Prozess, ein Pilot mit überschaubarem Risiko, klare Qualitätskriterien. So lassen sich Nutzen und Grenzen früh erkennen, ohne zu viel Komplexität auf einmal einzuführen.

Gerade dieser letzte Punkt ist wichtig. Realistische Machine-Learning-Projekte beginnen selten mit einer grossen Plattforminitiative, sondern mit einer konkreten operativen Fragestellung. Das reduziert Risiken und schafft belastbare Lernkurven im Unternehmen.

Den eigenen Anwendungsfall prüfen

Nach der fachlichen Einordnung stellt sich die praktische Frage: Ist ein bestimmter Prozess im eigenen Unternehmen eher regelbasiert lösbar oder eignet er sich für Machine Learning?

Eine kurze Standortbestimmung hilft dabei. Sinnvolle Fragen sind etwa:

• Ist das Problem mit festen Regeln eindeutig beschreibbar?

• Oder gibt es viele Ausnahmen und sprachliche oder inhaltliche Muster?

• Gibt es genügend historische Beispiele?

• Sind die bisherigen Entscheidungen intern konsistent?

• Ist der Nutzen klar genug, um Aufwand und Pflege zu rechtfertigen?

Oft zeigt sich dabei schon früh, dass nicht jede Aufgabe ein lernendes System braucht. In manchen Fällen reicht eine saubere Prozessdefinition mit klassischer Automatisierung. In anderen Fällen ist Machine Learning der passende Baustein innerhalb einer grösseren Lösung.

Wer den eigenen Use Case strukturiert einschätzen möchte, kann den Selbstcheck machen. Die Standortbestimmung hilft dabei, Prozess, Datenlage und Zielbild in wenigen Minuten einzuordnen und realistischer zu beurteilen, ob ein Vorhaben eher regelbasiert, automatisierbar oder für Machine Learning geeignet ist.

Häufig gestellte Fragen

Worin liegt der wichtigste Unterschied zwischen klassischer Programmierung und Machine Learning?

Klassische Programmierung arbeitet mit vorab definierten Regeln. Machine Learning lernt dagegen aus Beispielen und erkennt Muster in Daten. Statt jede Entscheidung als Wenn-dann-Logik festzulegen, wird ein Modell mit Trainingsdaten aufgebaut, das neue Fälle einschätzen kann.

Braucht Machine Learning immer sehr viele Daten?

Nein. Es braucht vor allem passende und saubere Daten. Für manche Anwendungsfälle reichen auch kleinere Datensätze, wenn sie gut strukturiert und korrekt beschriftet sind. Sehr grosse, aber unklare oder fehlerhafte Datenmengen bringen dagegen oft wenig.

Kann Machine Learning Fachwissen im Unternehmen ersetzen?

Nein. Fachwissen bleibt zentral. Das Unternehmen muss definieren, was ein gutes Ergebnis ist, welche Kategorien sinnvoll sind und welche Fehler kritisch wären. Machine Learning kann Muster erkennen und Entscheidungen vorbereiten, ersetzt aber nicht die fachliche Einordnung.

Welche KMU-Prozesse eignen sich überhaupt für Machine Learning?

Geeignet sind vor allem Prozesse mit wiederkehrenden Fällen, vorhandenen historischen Beispielen und einer klaren Zieldefinition. Typische Beispiele sind die Klassifikation von E-Mails, die Zuordnung von Belegen oder die Priorisierung von Support-Anfragen. Weniger geeignet sind seltene, uneinheitliche oder schlecht definierte Prozesse.

Was passiert, wenn die Daten im Unternehmen unvollständig oder uneinheitlich sind?

Dann leidet in der Regel auch die Qualität des Modells. Uneinheitliche Kategorien, fehlerhafte Zuordnungen oder lückenhafte Daten führen dazu, dass das System widersprüchliche Muster lernt. In solchen Fällen sollte vor dem eigentlichen ML-Projekt zuerst an Datenqualität und Prozessklarheit gearbeitet werden.

Wie erkennt ein KMU, ob ein ML-Projekt realistisch ist?

Ein Projekt ist realistischer, wenn das Problem klar abgegrenzt ist, der Nutzen konkret benannt werden kann, genügend passende Daten vorliegen und interne Verantwortlichkeiten geklärt sind. Ausserdem sollte der Prozess bereits eine gewisse Reife haben und sich schrittweise testen lassen.