Stell dich vor, du baust eine Suchfunktion. Klassisch: Nutzer tippt etwas, Datenbank liefert Treffer, du renderst sie. Deterministische Logik, testbar, reproduzierbar.
Jetzt kommt jemand und sagt: «Lass uns das mit KI machen.» Also wird der Datenbankaufruf durch einen LLM-Call ersetzt. Gleiche Logik, anderes Backend. Das fühlt sich pragmatisch an.
Es ist ein Fehler.
LLMs sind keine Datenbanken. Sie liefern keine Fakten, sie generieren wahrscheinliche Antworten. Sie haben keinen konsistenten State. Ihre Outputs variieren. Wer sie wie eine Datenbank behandelt, baut auf einem Fundament, das sich jedes Mal ein bisschen anders verhält.
Der richtige Ansatz: KI als Reasoning-Schicht verstehen, nicht als Datenschicht. Die Datenbank bleibt die Quelle der Wahrheit. KI interpretiert, verknüpft, formuliert. Auf Basis von Daten, die zuverlässig sind. Retrieval-Augmented Generation ist kein Trick, es ist das richtige Modell.
Die meisten Integrationsprobleme, die ich sehe, entstehen nicht im Prompt. Sie entstehen, weil die Architekturentscheidung am Anfang falsch war. Und Architekturentscheidungen umzubauen, wenn das System live ist, kostet ein Mehrfaches.
Gut anfangen ist billiger als gut reparieren.
