Wie viel KI braucht ein praxisnahes Datenprojekt wirklich — und an welchen Stellen sind klassische Algorithmen die bessere Wahl? In diesem Vortrag zeige ich am Beispiel eines realen Projekts zur automatisierten Auswertung von Speaker-Daten auf IT-Konferenzen, wie sich ein KI-gestützter Ansatz sinnvoll mit regelbasierten Verfahren, Scraping, Datenaufbereitung und heuristischen Entscheidungen kombinieren lässt. Ausgangspunkt ist eine sehr konkrete Fragestellung: Wie lässt sich der Anteil nicht-männlicher Personen auf Konferenz-Webseiten skalierbar erfassen, ohne jeden Datensatz manuell auszuwerten?

Ich stelle vor, wie aus einem manuellen Prozess schrittweise eine technische Lösung entsteht: von HTML-Scraping und Parser-Logik über erste Datenmodelle und Teststrategien bis hin zur Frage, an welchen Stellen ein LLM wirklich Mehrwert bringt. Der Vortrag beleuchtet dabei bewusst nicht nur den KI-Anteil, sondern auch die Architekturentscheidungen dahinter: Warum Python für diesen Anwendungsfall besonders geeignet ist, wie sich lokale und externe Modelle einbinden lassen und weshalb nachvollziehbare, klassische Entscheidungslogik in vielen Fällen robuster ist als ein rein modellgetriebener Ansatz.

Ein weiterer Schwerpunkt liegt auf den Überlegungen, Irrwegen und Anpassungen im Projektverlauf: Welche Ideen haben sich bewährt, welche nicht, wo mussten Regeln nachgeschärft werden, und wie verändert sich das Design, wenn Verlässlichkeit, Kosten, Wartbarkeit und ethische Fragen zusammenkommen?

Der Talk richtet sich an Menschen, die KI nicht nur als Schlagwort einsetzen wollen, sondern verstehen möchten, wie sie in konkreten Softwareprojekten sinnvoll eingebettet werden kann: als ein Werkzeug unter mehreren, nicht als Ersatz für Architektur, Tests und saubere Datenverarbeitung.