Picture this: a team lead comes back from an AI webinar, fired up. "We need to use AI for our order processing." Everyone nods. A project is born. Six months and a significant budget later, the team discovers the process was perfectly rule-based all along and a few formulas in Excel would have done it in a week.

This is not a made-up story. It is a pattern. And it is expensive. AI projects consistently cost 3 to 10 times more than initial estimates when moving from pilot to production. The most common reason? The problem did not actually require AI.

So before you commission a pilot, sign a vendor contract, or hire a consultant (including us), ask three questions. They take ten minutes and they could save you months.

Why "Do We Need AI?" Is Almost Always the Wrong Question

The right question is: what is the actual problem, and what is the simplest thing that solves it?

AI is powerful. It is also complex, expensive to maintain, and often opaque about why it did what it did. If a simpler tool does the job, use the simpler tool. As we wrote in Most SMEs Don't Have an AI Problem, the root cause of most failed AI projects is not bad technology. It is solving the wrong problem with the wrong tool.

Three questions will sort most use cases into the right bucket.

Question 1: Should the Same Input Always Produce the Same Output?

The Consistency Test

This is the most clarifying question you can ask. If the answer is yes, you almost certainly do not need AI. You need rules, and rules are what spreadsheets and simple automation tools are built for.

Think about it this way: AI (specifically machine learning, the type that learns from data rather than following explicit instructions) is designed to handle variability. It shines when inputs are messy, ambiguous, or hard to categorize in advance. But if the same input should reliably produce the same output every time, that is a deterministic problem. And deterministic problems are solved better, faster, and more cheaply with deterministic tools.

Roughly 750 million people worldwide use Excel actively, according to Microsoft. Most of them are solving exactly these kinds of problems every day, and correctly so.

A Concrete Example

Take discount calculation. If your discounts follow a fixed logic (order above 1'000 units gets 10%, loyalty customers get 5% on top), a formula in Excel handles it perfectly. Consistent, auditable, easy to update when the rules change.

Now suppose you want to predict which customers are likely to leave and offer them a pre-emptive discount. That is a different problem. The inputs are messy (purchase history, engagement signals, time since last order), the output is probabilistic, and there is no single rule that works for all customers. That is where machine learning starts to make sense.

Same-input-same-output? Stick with automation. Variable, probabilistic, pattern-dependent? AI might help.

Question 2: Can You Write Down the Decision Logic?

The Documentation Test

Grab a pen and try to write out the rules your process follows. If you can do it, and the rules are reasonably stable, automation will serve you better than AI. It is more predictable, easier to audit, and simpler to hand over to the next person.

If you start writing and notice the rules have dozens of exceptions, depend heavily on context from previous interactions, or need to be updated every few weeks because the situation keeps changing, that is a signal that a rule-based approach will eventually collapse under its own weight. When exceptions grow faster than rules, AI becomes the more practical choice.

A Concrete Example

Support ticket routing. If you have five departments and each ticket clearly belongs to one based on keywords ("invoice" goes to finance, "broken device" goes to IT), a simple keyword filter works. Build it in a day, maintain it in an hour per month.

But if tickets arrive in three languages, mix topics within a single message, and require understanding of what the customer previously complained about, the keyword approach will route incorrectly often enough to frustrate both customers and staff. An AI classifier trained on your historical tickets handles this well, because it learned the patterns you cannot fully articulate.

Can you write the logic down and keep it stable? Automate it. Can you not? AI is worth a closer look.

Question 3: What Happens When the System Gets It Wrong?

The Error Cost Test

Every system makes mistakes. The question is what a mistake costs you.

If errors lead to financial loss, regulatory fines, or legal liability, you need a system whose decisions you can explain step by step. Rule-based systems provide exactly that: a clear, traceable chain of logic. AI systems often cannot. They give you an answer but not a satisfying explanation of why. Where explainability is not just nice-to-have but a legal requirement, AI is a risk rather than an advantage.

When auditors or regulators ask "why did the system decide this?", automation is the safer architecture. This matters especially in finance, healthcare, HR, and any sector where decisions affect people's rights or livelihoods.

A Concrete Example

Medical billing versus product recommendations. A billing error can result in a rejected insurance claim or a regulatory audit. Every calculation must be defensible. A deterministic system that follows the exact billing rules is right for this. An AI model that "usually gets it right" is not.

Compare that to a "you might also like" feature in your online shop. If the AI recommends the wrong product, the customer scrolls past it. No harm done. The cost of a wrong recommendation is near zero, and the upside of better personalization is real. AI is the right tool here.

Ask yourself: if it gets it wrong once a week, what happens? If the answer involves lawyers, customers, or regulators, lean toward automation. If the answer is "nothing much," AI is more acceptable.

The Decision Summary

Here is the three-question framework as a simple table. Work through it for any process you are considering automating or handing to AI.

Question	If YES	If NO
Same input always gives same output?	Spreadsheet / automation	AI worth considering
Can you write down stable decision rules?	Spreadsheet / automation	AI worth considering
Errors are costly and must be explainable?	Rule-based with human oversight	AI more acceptable

If all three answers point toward automation, you do not need AI. If all three point toward AI, a well-scoped AI project is genuinely justified. Mixed answers mean you have a hybrid situation: automate the stable parts, consider AI for the variable ones.

For a more structured walkthrough, our AI Reality Checklist takes about 15 minutes and gives you a clearer picture of where AI actually adds value in your specific context.

The Uncomfortable Truth

Most SME processes are rule-based and stable. The discount calculation follows fixed tiers. The invoice approval follows a clear threshold. The support routing has ten predictable categories. The report goes out every Monday with the same columns.

That is not a failure. That is how efficient, well-run businesses work. And for those processes, a well-configured spreadsheet, a simple workflow tool like Make.com or Zapier, or a modest investment in proper automation delivers 80% of the result at roughly 5% of the cost of an AI project. No-code automation tools can often be implemented in hours, not months.

AI is genuinely powerful for the right problems: unstructured data (free text, images, audio), pattern recognition across large and messy datasets, predictions that depend on many variables at once, fraud detection that must catch novel patterns it has never seen before. If your problem has those characteristics, AI is the right investment.

But the honest answer, for most of the "should we use AI for this?" questions we hear, is: not yet, and maybe not ever. Start with the simplest tool that works. Reach for AI when you have exhausted simpler options and the remaining problem is genuinely hard. That sequence saves money, reduces risk, and produces systems that are easier to maintain and explain.

If you want a second opinion on a specific use case, the Insight Method starts exactly here: clarifying what the actual problem is before recommending any technology at all.

Stellen Sie sich vor: Ein Teamleiter kommt aus einem KI-Webinar zurück, begeistert. "Wir müssen KI für unsere Auftragsverarbeitung einsetzen." Alle nicken. Ein Projekt entsteht. Sechs Monate und ein erhebliches Budget später stellt das Team fest, dass der Prozess von Anfang an perfekt regelbasiert war und ein paar Formeln in Excel es in einer Woche gelöst hätten.

Das ist keine erfundene Geschichte. Es ist ein Muster. Und es ist teuer. KI-Projekte kosten beim Übergang vom Piloten in die Produktion regelmäßig 3 bis 10 Mal mehr als initial geplant. Der häufigste Grund? Das Problem erforderte gar keine KI.

Bevor Sie also einen Piloten beauftragen, einen Vertrag unterschreiben oder einen Berater engagieren (auch uns), stellen Sie drei Fragen. Sie dauern zehn Minuten und könnten Ihnen Monate ersparen.

Warum "Brauchen wir KI?" fast immer die falsche Frage ist

Die richtige Frage lautet: Was ist das eigentliche Problem, und was ist die einfachste Lösung dafür?

KI ist mächtig. Sie ist aber auch komplex, teuer in der Wartung und oft undurchsichtig darüber, warum sie das getan hat, was sie getan hat. Wenn ein einfacheres Tool die Aufgabe erfüllt, nehmen Sie das einfachere Tool. Wie wir in Die meisten KMU haben kein KI-Problem beschrieben haben, liegt die Hauptursache gescheiterter KI-Projekte meist nicht an schlechter Technologie, sondern daran, das falsche Problem mit dem falschen Werkzeug zu lösen.

Drei Fragen sortieren die meisten Use Cases in den richtigen Bereich.

Frage 1: Soll bei gleichem Input immer das gleiche Ergebnis herauskommen?

Der Konsistenz-Test

Das ist die klärendste Frage, die Sie stellen können. Wenn die Antwort Ja lautet, brauchen Sie fast sicher keine KI. Sie brauchen Regeln, und Regeln sind genau das, wofür Tabellenkalkulationen und einfache Automatisierungstools gebaut sind.

Denken Sie es so: KI (genauer gesagt Machine Learning, also der Typ, der aus Daten lernt statt expliziten Anweisungen zu folgen) ist dafür gemacht, Variabilität zu verarbeiten. Sie glänzt, wenn Eingaben unstrukturiert, mehrdeutig oder schwer im Voraus zu kategorisieren sind. Wenn aber bei gleichem Input zuverlässig dasselbe Ergebnis entstehen soll, ist das ein deterministisches Problem. Und deterministische Probleme löst man besser, schneller und günstiger mit deterministischen Werkzeugen.

Rund 750 Millionen Menschen weltweit nutzen Excel aktiv, so Microsoft. Die meisten lösen damit genau diese Art von Problemen, und das zu Recht.

Ein konkretes Beispiel

Nehmen Sie die Rabattberechnung. Wenn Ihre Rabatte einer festen Logik folgen (Bestellungen über 1'000 Einheiten erhalten 10%, Stammkunden zusätzlich 5%), erledigt eine Excel-Formel das perfekt. Konsistent, nachvollziehbar, einfach anpassbar, wenn sich die Regeln ändern.

Angenommen, Sie möchten vorhersagen, welche Kunden wahrscheinlich abwandern, und ihnen präventiv einen Rabatt anbieten. Das ist ein anderes Problem. Die Eingaben sind unstrukturiert (Kaufhistorie, Engagement-Signale, Zeit seit der letzten Bestellung), das Ergebnis ist probabilistisch, und es gibt keine einzelne Regel, die für alle Kunden funktioniert. Hier beginnt Machine Learning sinnvoll zu werden.

Gleicher Input, gleiches Ergebnis? Automatisierung. Variabel, probabilistisch, musterabhängig? KI könnte helfen.

Frage 2: Können Sie die Entscheidungslogik aufschreiben?

Der Dokumentations-Test

Nehmen Sie einen Stift und versuchen Sie, die Regeln aufzuschreiben, denen Ihr Prozess folgt. Wenn Sie das können und die Regeln einigermaßen stabil sind, dient Ihnen Automatisierung besser als KI. Sie ist vorhersehbarer, leichter zu prüfen und einfacher weiterzugeben.

Wenn Sie mit dem Schreiben beginnen und feststellen, dass die Regeln Dutzende von Ausnahmen haben, stark vom Kontext früherer Interaktionen abhängen oder alle paar Wochen aktualisiert werden müssen, ist das ein Signal, dass ein regelbasierter Ansatz irgendwann unter seinem eigenen Gewicht zusammenbricht. Wenn Ausnahmen schneller wachsen als Regeln, wird KI zur praktischeren Wahl.

Ein konkretes Beispiel

Support-Ticket-Routing. Wenn Sie fünf Abteilungen haben und jedes Ticket anhand von Schlüsselwörtern klar zugeordnet werden kann ("Rechnung" geht an Finanzen, "defektes Gerät" an IT), funktioniert ein einfacher Filter. Ein Tag zum Aufbauen, eine Stunde pro Monat zum Pflegen.

Wenn Tickets aber in drei Sprachen ankommen, mehrere Themen in einer Nachricht mischen und das Verständnis früherer Beschwerden des Kunden erfordern, wird der Keyword-Ansatz oft falsch routen und sowohl Kunden als auch Mitarbeitende frustrieren. Ein KI-Klassifikator, der auf Ihren historischen Tickets trainiert wurde, bewältigt das gut, weil er die Muster gelernt hat, die Sie nicht vollständig artikulieren können.

Können Sie die Logik aufschreiben und stabil halten? Automatisieren Sie. Können Sie es nicht? KI ist einen näheren Blick wert.

Frage 3: Was passiert, wenn das System falsch liegt?

Der Fehlerkosten-Test

Jedes System macht Fehler. Die Frage ist, was ein Fehler Sie kostet.

Wenn Fehler zu finanziellem Schaden, behördlichen Bußgeldern oder rechtlicher Haftung führen, brauchen Sie ein System, dessen Entscheidungen Sie Schritt für Schritt erklären können. Regelbasierte Systeme liefern genau das: eine klare, nachvollziehbare Logikkette. KI-Systeme können das oft nicht. Sie liefern eine Antwort, aber keine befriedigende Erklärung des Warum. Wo Nachvollziehbarkeit nicht nur schön wäre, sondern gesetzlich vorgeschrieben ist, wird KI zum Risiko statt zum Vorteil.

Wenn Prüfer oder Behörden fragen "Warum hat das System so entschieden?", ist Automatisierung die sicherere Architektur. Das gilt besonders in Finanzen, Gesundheitswesen, HR und allen Bereichen, in denen Entscheidungen Rechte oder Lebensgrundlagen von Menschen betreffen.

Ein konkretes Beispiel

Medizinische Abrechnung versus Produktempfehlungen. Ein Abrechnungsfehler kann zu einem abgelehnten Versicherungsanspruch oder einer Behördenprüfung führen. Jede Berechnung muss vertretbar sein. Ein deterministisches System, das den exakten Abrechnungsregeln folgt, ist hier richtig. Ein KI-Modell, das "meistens stimmt", nicht.

Vergleichen Sie das mit einer "Das könnte Ihnen auch gefallen"-Funktion in Ihrem Online-Shop. Wenn die KI das falsche Produkt empfiehlt, scrollt der Kunde darüber hinweg. Kein Schaden. Die Kosten einer falschen Empfehlung sind nahe null, und der Nutzen besserer Personalisierung ist real. KI ist hier das richtige Werkzeug.

Fragen Sie sich: Wenn es einmal pro Woche falsch liegt, was passiert dann? Wenn die Antwort Anwälte, Kunden oder Behörden einschließt, tendieren Sie zur Automatisierung. Wenn die Antwort "nicht viel" lautet, ist KI akzeptabler.

Die Entscheidungsübersicht

Hier ist das Drei-Fragen-Framework als einfache Tabelle. Arbeiten Sie es für jeden Prozess durch, den Sie automatisieren oder an KI übergeben möchten.

Frage	Wenn JA	Wenn NEIN
Gleicher Input ergibt immer gleiches Ergebnis?	Spreadsheet / Automatisierung	KI prüfenswert
Können Sie stabile Entscheidungsregeln aufschreiben?	Spreadsheet / Automatisierung	KI prüfenswert
Fehler sind teuer und müssen erklärbar sein?	Regelbasiert mit menschlicher Kontrolle	KI akzeptabler

Wenn alle drei Antworten auf Automatisierung hindeuten, brauchen Sie keine KI. Wenn alle drei auf KI hindeuten, ist ein gut abgegrenztes KI-Projekt wirklich gerechtfertigt. Gemischte Antworten bedeuten eine Hybridlösung: Automatisieren Sie die stabilen Teile, erwägen Sie KI für die variablen.

Für einen strukturierteren Durchgang hilft unsere KI-Realitäts-Checkliste in etwa 15 Minuten dabei, ein klareres Bild zu bekommen, wo KI in Ihrem spezifischen Kontext echten Mehrwert schafft.

Die unbequeme Wahrheit

Die meisten KMU-Prozesse sind regelbasiert und stabil. Die Rabattberechnung folgt festen Stufen. Die Rechnungsfreigabe folgt einem klaren Schwellenwert. Das Support-Routing hat zehn vorhersehbare Kategorien. Der Bericht geht jeden Montag mit denselben Spalten raus.

Das ist kein Versagen. So funktionieren effiziente, gut geführte Unternehmen. Und für diese Prozesse liefert ein gut konfiguriertes Spreadsheet, ein einfaches Workflow-Tool wie Make.com oder Zapier oder eine moderate Investition in saubere Automatisierung 80% des Ergebnisses zu rund 5% der Kosten eines KI-Projekts. No-Code-Automatisierungstools lassen sich oft in Stunden statt in Monaten implementieren.

KI ist für die richtigen Probleme wirklich mächtig: unstrukturierte Daten (Freitext, Bilder, Audio), Mustererkennung in großen und unordentlichen Datensätzen, Vorhersagen, die gleichzeitig von vielen Variablen abhängen, Betrugserkennung, die neuartige Muster erkennen muss, die sie noch nie gesehen hat. Wenn Ihr Problem diese Eigenschaften hat, ist KI die richtige Investition.

Aber die ehrliche Antwort auf die meisten "Sollen wir KI dafür einsetzen?"-Fragen, die wir hören, lautet: Noch nicht, und vielleicht nie. Beginnen Sie mit dem einfachsten Werkzeug, das funktioniert. Greifen Sie zu KI, wenn Sie einfachere Optionen ausgeschöpft haben und das verbleibende Problem wirklich schwer ist. Diese Reihenfolge spart Geld, reduziert Risiken und produziert Systeme, die einfacher zu warten und zu erklären sind.

Wenn Sie eine zweite Meinung zu einem konkreten Anwendungsfall möchten, beginnt die Insight Method genau hier: mit der Klärung des eigentlichen Problems, bevor überhaupt eine Technologie empfohlen wird.