Aus 4.000 eingehenden Rechnungen den Betrag und die Nummer auslesen — alle im selben Format desselben Lieferanten.
Gleiches Format heißt feste Position. Ein paar Regeln lesen das jedes Mal identisch aus, kosten nach dem Schreiben nichts mehr und irren sich nie. Ein Modell wäre langsamer, teurer und gelegentlich kreativ.
Aus 4.000 Rechnungen von 300 verschiedenen Lieferanten dieselben Angaben auslesen.
Jetzt kippt es. 300 Formate von Hand zu beschreiben wäre eine Lebensaufgabe, und beim 301. Lieferanten ginge es von vorn los. Genau dafür ist ein Modell gebaut: bekannte Dinge an unbekannter Stelle wiederfinden.
Prüfen, ob eine eingegebene IBAN gültig ist.
Die IBAN trägt ihre eigene Prüfziffer. Die Rechnung dazu steht in einer Norm, passt in zehn Zeilen und ist beweisbar richtig. Ein Modell könnte hier nur schlechter sein — es würde raten, wo man rechnen kann.
Aus tausend Kundenrückmeldungen die wiederkehrenden Beschwerden herausarbeiten.
Dieselbe Beschwerde steht tausendmal anders da: „zu langsam“, „ewig gewartet“, „nichts passiert“. Nach Stichwörtern zu suchen findet die Wörter, nicht das Thema. Bedeutung zusammenfassen ist die Stärke eines Modells.
Einen Versandpreis aus Gewicht, Zone und Kundengruppe berechnen.
Eine Tabelle und drei Bedingungen. Das Ergebnis muss auf den Cent stimmen und in jedem Fall nachvollziehbar sein — vor Gericht wie in der Buchhaltung. Ein Modell, das gelegentlich einen Cent danebenliegt, ist hier unbrauchbar.
Eingehende E-Mails an die richtige Abteilung weiterleiten, wenn die Absender frei formulieren.
„Meine Rechnung stimmt nicht“ gehört zur Buchhaltung, „bekomme die App nicht auf“ zum Support — ohne dass eines der Wörter das verrät. Absicht erkennen, wo kein Stichwort hilft: dafür lohnt ein Modell.