Ich habe mit meinem Kollegen Mark gesprochen, der seit drei Jahren Apps mit KI-Features entwickelt. Er arbeitet hauptsächlich mit kleineren Teams und kennt die Realität zwischen Marketing-Versprechen und dem, was technisch machbar ist.
„Die meisten Leute denken bei KI-Apps an Chatbots", sagt Mark. „Aber ehrlich? Das ist nur die Spitze." Er erklärt, dass Bildverarbeitung oft viel praktischer ist. Eine App, die Pflanzen erkennt oder Belege scannt, löst konkrete Probleme.
Was spricht dafür? KI kann Dinge automatisieren, die früher manuellen Aufwand bedeuteten. Spracherkennung funktioniert mittlerweile zuverlässig genug für Notiz-Apps. Personalisierung passiert im Hintergrund, ohne dass Nutzer viel einstellen müssen.
Die Nachteile? „Battery drain ist real", warnt Mark. KI-Modelle brauchen Rechenleistung. Entweder läuft das auf dem Server, dann hast du Latenz und Datenschutz-Probleme. Oder lokal auf dem Gerät, dann wird das Handy warm und der Akku leidet.
Ein weiteres Problem: Kosten. Die meisten brauchbaren KI-APIs sind nicht kostenlos. Bei 10.000 Anfragen im Monat summiert sich das. Für kleine Projekte schwierig.
Marks Rat für Anfänger? „Fang mit vortrainierten Modellen an. TensorFlow Lite oder Core ML bringen schon eingebaute Features mit." Keine eigenen Modelle trainieren am Anfang. Zu komplex, zu teuer.
Was ihn nervt? Wenn Apps KI einbauen, nur um es im Marketing zu erwähnen. „Manchmal reicht eine gute Datenbank-Suche völlig aus." Er schätzt, dass etwa 40% der „KI-Features" in Apps überflüssig sind.
Sein letzter Punkt: Fehlerquoten. KI macht Fehler. Bilderkennung liegt bei vielleicht 95% Genauigkeit. Für manche Anwendungen reicht das nicht.