Kaum ein Thema wird im Mittelstand so oft besprochen und so selten sauber umgesetzt wie künstliche Intelligenz. Die Werkzeuge sind inzwischen ausgereift und bezahlbar, und trotzdem versanden viele Initiativen nach der Pilotphase. Das liegt fast nie an der Technik. Es liegt daran, dass die falsche Frage am Anfang steht.

Die übliche Frage lautet: Was können wir mit KI machen? Die bessere Frage lautet: Welcher wiederkehrende, teure und gut beschreibbare Vorgang kostet uns jede Woche Stunden? Wer so anfängt, landet bei kleineren, unspektakuläreren Projekten. Genau diese gehen in Betrieb und bleiben dort.

Wo KI im Mittelstand tatsächlich Geld spart

Nach unserer Erfahrung aus Projekten in Großbritannien und Europa zahlen sich vier Bereiche zuverlässig aus. Sie haben alle dieselbe Eigenschaft: klar umrissene Aufgaben mit hohem Volumen und niedriger Fehlertoleranz im Detail, aber hoher Toleranz für einen Vorschlag, den ein Mensch bestätigt.

Anfragen vorqualifizieren

Die meisten Unternehmen bekommen Anfragen, die inhaltlich sehr unterschiedlich sind: ernsthafte Projektanfragen, Preisfragen, Bewerbungen, Werbung. Ein Modell, das eingehende Nachrichten kategorisiert, dringende erkennt und die passende Antwortvorlage vorschlägt, spart im Tagesgeschäft mehr Zeit als jede große Automatisierung. Die Entscheidung bleibt beim Menschen, die Vorarbeit nicht.

Wissen auffindbar machen

In fast jedem Betrieb liegt das eigentliche Betriebswissen verstreut: in Angeboten, Protokollen, E-Mails, alten Projektordnern. Eine Suche, die Fragen in normaler Sprache beantwortet und die Quelle mitliefert, hebt einen Schatz, der ohnehin schon bezahlt ist. Wichtig ist dabei die Quellenangabe. Ohne sie entsteht kein Vertrauen, und ohne Vertrauen wird das Werkzeug nach zwei Wochen nicht mehr benutzt.

Dokumente in strukturierte Daten überführen

Lieferscheine, Rechnungen, Bestellungen und Formulare kommen weiterhin als PDF oder Scan herein und werden von Hand übertragen. Genau dafür sind heutige Modelle gut geeignet, und der Nutzen lässt sich exakt beziffern: Anzahl Belege mal Minuten pro Beleg mal Stundensatz.

Kundenkommunikation vorbereiten

Nicht Antworten verschicken, sondern Antworten vorbereiten. Ein Entwurf, der Kontext, Historie und Tonfall trifft und den ein Mitarbeiter in zwanzig Sekunden prüft, ist in der Praxis deutlich wertvoller als ein vollautomatischer Chatbot, dem niemand traut.

Muster erkannt? In allen vier Fällen erzeugt die KI einen Vorschlag, und ein Mensch entscheidet. Diese Aufteilung ist der wichtigste Grund, warum Projekte im Betrieb überleben. Sie senkt das Risiko, macht Fehler sichtbar und erhält die Akzeptanz im Team.

Warum die meisten KI-Projekte im Pilotstadium sterben

Wenn ein Projekt scheitert, hören wir fast immer eine der folgenden Geschichten.

Der Anwendungsfall war zu groß. Ein Projekt, das die gesamte Kundenkommunikation automatisieren soll, hat keinen klaren Erfolgsmaßstab. Ein Projekt, das eingehende Anfragen in fünf Kategorien einsortiert, hat einen. Ein zu großer Umfang ist der häufigste einzelne Grund für ein stilles Ende.

Die Daten waren nicht so gut wie angenommen. Dieser Punkt trifft fast jedes Unternehmen unvorbereitet. Daten sind selten falsch, aber häufig uneinheitlich: derselbe Kunde in drei Schreibweisen, Felder, die je nach Abteilung anders benutzt werden, Freitext dort, wo eine Auswahl hätte stehen sollen. Rechnen Sie damit, dass die Aufbereitung genauso viel Zeit kostet wie die eigentliche Umsetzung.

Niemand war für den Betrieb zuständig. Ein Modell ist keine Maschine, die man einmal aufstellt. Antworten verändern sich, Anbieter aktualisieren Modelle, Preise ändern sich, Grenzwerte werden erreicht. Ohne eine benannte Person, die hinschaut, verfällt die Qualität langsam und unbemerkt.

Es gab keinen Rückfallweg. Wenn der Anbieter langsam antwortet oder ein Kontingent erschöpft ist, muss das System weiterlaufen. Ein zweiter Anbieter als Ausweichlösung ist billiger als jeder Ausfall, wird aber fast immer vergessen, bis er das erste Mal gebraucht wird.

Die Vorbereitung entscheidet, nicht das Modell

Bevor Sie über Anbieter sprechen, klären Sie drei Dinge. Sie kosten wenig Zeit und verhindern die teuersten Fehler.

Erstens: Wo liegen die Daten und wer darf sie sehen? Wenn Ihre Wissenssuche auf Ordner zugreift, in denen auch Personaldaten liegen, brauchen Sie Zugriffsregeln, bevor Sie starten, nicht danach.

Zweitens: Woran messen Sie Erfolg? Eine Zahl reicht. Bearbeitungszeit pro Anfrage, Anteil korrekt sortierter Belege, eingesparte Stunden pro Woche. Ohne diese Zahl wird nach drei Monaten diskutiert statt entschieden.

Drittens: Was passiert bei einem Fehler? Klären Sie vorab, welche Fehler harmlos sind und welche nicht. Eine falsch einsortierte Anfrage ist ärgerlich. Eine automatisch verschickte falsche Preiszusage ist etwas anderes.

Sie wollen wissen, ob sich ein Anwendungsfall lohnt?

Wir schauen uns Ihren Prozess an und sagen Ihnen ehrlich, ob KI dort etwas bringt oder ob eine einfachere Lösung reicht.

KI-Integration ansehen

Selbst bauen oder einkaufen?

Die Antwort ist für den Mittelstand fast immer dieselbe: einkaufen, was Standard ist, und selbst bauen, was Sie von anderen unterscheidet.

Ein eigenes Modell zu trainieren ergibt für die allermeisten Unternehmen keinen Sinn. Die Kosten sind hoch, das Ergebnis selten besser, und der Vorsprung hält nicht lange. Sinnvoll ist der eigene Bau dort, wo Ihr Prozess besonders ist: die Anbindung an Ihr Warenwirtschaftssystem, Ihre Regeln, Ihre Datenstruktur. Das ist der Teil, den kein Standardprodukt liefert, und genau dort liegt der Wert.

Praktisch heißt das: ein bestehendes Modell über eine Schnittstelle nutzen, die Geschäftslogik bei sich behalten und den Anbieter austauschbar halten. Wer den Anbieter fest verdrahtet, zahlt später doppelt, einmal bei der Preiserhöhung und einmal beim Umbau.

Was der EU AI Act für Sie bedeutet

Seit dem 2. August 2026 gelten die Transparenzpflichten nach Artikel 50 des EU AI Act. Für den Mittelstand ist die praktische Auswirkung überschaubar, aber sie ist eindeutig.

Wenn Sie ein System betreiben, das direkt mit Menschen interagiert, etwa einen Chatbot oder einen automatischen Telefonassistenten, müssen die Nutzer erkennen können, dass sie mit einer KI sprechen. Diese Information muss spätestens zu Beginn der Interaktion vorliegen, nicht irgendwo im Kleingedruckten. Inhalte, die von KI erzeugt werden, müssen zudem maschinenlesbar als solche gekennzeichnet sein.

Wichtig für Unternehmen außerhalb der EU: Der AI Act wirkt über die Grenzen hinaus. Er greift, sobald das Ergebnis des Systems in der EU genutzt wird, unabhängig vom Sitz des Anbieters. Wer in Deutschland Kunden bedient, ist erfasst.

Die gute Nachricht: Wenn Sie ohnehin sauber arbeiten, ist der Aufwand gering. Ein klarer Hinweis am Anfang des Dialogs, eine ehrliche Beschreibung in der Datenschutzerklärung und die Möglichkeit, einen Menschen zu erreichen, decken den Kern bereits ab.

Was ein realistisches erstes Projekt kostet

Zahlen sind projektabhängig, aber die Verteilung ist erstaunlich stabil. Rechnen Sie grob mit einem Drittel für Datenaufbereitung, einem Drittel für Anbindung und Umsetzung und einem Drittel für Test, Einführung und Schulung. Die laufenden Kosten für das Modell selbst sind bei den meisten mittelständischen Anwendungsfällen der kleinste Posten, oft im zweistelligen Bereich pro Monat.

Was wirklich teuer wird, ist ein Projekt ohne Grenze. Ein fester Umfang, ein festes Budget und ein Ergebnis nach wenigen Wochen sind fast immer besser als ein offenes Vorhaben mit großem Anspruch.

Wofür Sie KI besser nicht einsetzen

Über diesen Teil wird selten gesprochen, obwohl er im Alltag wichtiger ist als jede Liste von Möglichkeiten. Es gibt Aufgaben, bei denen der Einsatz eines Sprachmodells das Problem nicht löst, sondern verlagert.

Rechenaufgaben und exakte Regeln. Wenn Ihr Rabattsystem aus zwölf klaren Regeln besteht, brauchen Sie kein Modell, sondern zwölf Zeilen Programmcode. Ein Sprachmodell kann rechnen, aber es garantiert nicht dasselbe Ergebnis bei derselben Eingabe. Für alles, was buchhalterisch stimmen muss, ist das die falsche Werkzeugklasse.

Entscheidungen mit rechtlicher Wirkung. Kreditzusagen, Kündigungen, Preiszusagen, Bewerberauswahl. Nicht nur wegen des EU AI Act, der solche Fälle streng reguliert, sondern weil Sie jede dieser Entscheidungen begründen können müssen. Ein Modell liefert ein Ergebnis, aber keine belastbare Begründung.

Alles, was Ihr einziger Prozessschritt ist. Wenn ein Vorgang keinen menschlichen Kontrollpunkt mehr hat und trotzdem geschäftskritisch ist, bauen Sie ein Risiko auf, das sich schwer versichern lässt. Setzen Sie KI dort ein, wo ein Fehler auffällt, bevor er teuer wird.

Diese Ehrlichkeit spart Geld. Wir haben mehrfach Projekte abgesagt oder verkleinert, weil eine Datenbankabfrage, eine bessere Suchmaske oder ein sauber gebautes Formular das eigentliche Problem gelöst hätte. Das ist keine verpasste Gelegenheit, sondern ein vermiedener Fehlkauf.

Datenschutz: was Sie vorher klären sollten

Sobald personenbezogene Daten in ein Modell fließen, greift die DSGVO. Das ist kein Hindernis, aber es verlangt drei bewusste Entscheidungen.

Rechtsgrundlage. Klären Sie, worauf Sie die Verarbeitung stützen. Bei internen Effizienzanwendungen ist das meist das berechtigte Interesse nach Art. 6 Abs. 1 lit. f DSGVO. Halten Sie die Abwägung schriftlich fest. Das ist eine halbe Seite Arbeit und im Ernstfall Ihr wichtigstes Dokument.

Auftragsverarbeitung. Ihr KI-Anbieter verarbeitet Daten in Ihrem Auftrag. Dafür brauchen Sie einen Vertrag nach Art. 28 DSGVO. Seriöse Anbieter stellen diesen bereit. Prüfen Sie dabei zwei Punkte: Werden Ihre Eingaben zum Training verwendet, und wo stehen die Server?

Datensparsamkeit. Der wirksamste Schutz ist, gar nicht erst zu viel zu schicken. Wenn eine Anfrage kategorisiert werden soll, braucht das Modell den Text, aber selten den vollständigen Namen, die Kundennummer und die Adresse dazu. Was Sie vor dem Versand entfernen, müssen Sie später nicht absichern.

Das Team entscheidet über den Erfolg

Der am meisten unterschätzte Faktor ist nicht technisch. Ein Werkzeug, dem die Belegschaft misstraut, wird umgangen, und zwar geräuschlos. Niemand sagt, dass er es nicht benutzt. Es wird einfach wieder von Hand gemacht.

Drei Dinge helfen zuverlässig. Erstens: Sagen Sie klar, dass niemand ersetzt werden soll, wenn das stimmt, und sagen Sie ebenso klar, was sich ändern wird. Ausweichende Formulierungen erzeugen mehr Unruhe als eine unbequeme Wahrheit. Zweitens: Lassen Sie die Menschen, die den Prozess täglich machen, den Anwendungsfall mitbestimmen. Sie wissen besser als jede Geschäftsführung, wo die Zeit verloren geht. Drittens: Machen Sie Korrekturen sichtbar und einfach. Wenn ein Vorschlag falsch ist und sich mit einem Klick korrigieren lässt, steigt das Vertrauen. Wenn Korrigieren länger dauert als Selbermachen, ist das Werkzeug tot.

Wie Sie einen Anbieter auswählen

Die Modellwahl ist weniger wichtig, als die Diskussion vermuten lässt. Für die meisten mittelständischen Anwendungsfälle liefern mehrere Anbieter Ergebnisse, die sich kaum unterscheiden. Wichtiger sind die Rahmenbedingungen.

  • Austauschbarkeit: Lässt sich der Anbieter wechseln, ohne die halbe Anwendung neu zu bauen? Wenn nicht, verhandeln Sie später aus einer schlechten Position.
  • Verfügbarkeit und Grenzen: Wie viele Anfragen pro Minute sind erlaubt, und was passiert beim Überschreiten? Planen Sie einen zweiten Anbieter als Ausweichweg ein.
  • Datenverarbeitung: Werden Eingaben gespeichert oder zum Training genutzt? Gibt es einen Vertrag zur Auftragsverarbeitung?
  • Kostenmodell: Rechnen Sie mit realistischem Volumen durch, nicht mit dem Pilotvolumen. Der Sprung von Test auf Betrieb überrascht viele.
  • Nachvollziehbarkeit: Können Sie im Nachhinein feststellen, welche Version welches Ergebnis erzeugt hat? Ohne Protokoll wird Fehlersuche zum Ratespiel.

Ein realistischer Plan für die ersten drei Monate

Wenn Sie konkret anfangen wollen, hat sich dieser Zuschnitt bewährt. Er ist bewusst unambitioniert, weil genau das die Erfolgsquote erhöht.

Wochen 1 bis 2: auswählen und messen. Suchen Sie den einen Vorgang mit hohem Volumen und niedrigem Risiko. Messen Sie den Ist-Zustand, bevor Sie etwas ändern. Ohne Ausgangswert können Sie später keinen Erfolg belegen, und genau daran scheitern Folgebudgets.

Wochen 3 bis 6: klein bauen und begleiten lassen. Setzen Sie den Anwendungsfall um, aber lassen Sie ihn zunächst nur Vorschläge machen, die ein Mensch bestätigt. So sammeln Sie echte Fehlerbeispiele, ohne Schaden anzurichten. Diese Beispiele sind wertvoller als jede Voraussage.

Wochen 7 bis 10: nachschärfen. Jetzt kennen Sie die typischen Fehler. Passen Sie Vorgaben, Datenaufbereitung und Grenzfälle an. In dieser Phase entsteht der größte Qualitätssprung, und sie wird in Planungen fast immer vergessen.

Wochen 11 bis 12: entscheiden. Vergleichen Sie die Zahl mit dem Ausgangswert. Wenn der Nutzen da ist, weiten Sie aus. Wenn nicht, beenden Sie das Projekt ohne schlechtes Gewissen. Ein sauber beendeter Versuch ist ein gutes Ergebnis, ein unendlich weiterlaufender Pilot nicht.

Häufige Fragen

Was kostet eine KI-Integration im Mittelstand?

Ein klar abgegrenzter erster Anwendungsfall liegt in der Regel im niedrigen bis mittleren vierstelligen Bereich, wenn saubere Daten vorliegen und der Umfang eng gefasst ist. Teuer wird es fast nie durch das Modell selbst, sondern durch Datenaufbereitung, Anbindung an bestehende Systeme und laufenden Betrieb.

Brauchen wir eigene Entwickler für KI?

Für den Einstieg nicht. Die meisten Unternehmen kommen mit bestehenden Modellen über eine Schnittstelle weiter als mit einem eigenen Modell. Entscheidend ist jemand, der Ihre Prozesse versteht und die Anbindung sauber baut, nicht jemand, der Modelle trainiert.

Ab wann gilt der EU AI Act für uns?

Die Transparenzpflichten nach Artikel 50 gelten ab dem 2. August 2026. Wenn Sie einen Chatbot betreiben, müssen Nutzer erkennen können, dass sie mit einer KI sprechen. Das gilt auch für Anbieter außerhalb der EU, sobald das Ergebnis in der EU genutzt wird.

Wie lange dauert ein erstes KI-Projekt?

Ein eng gefasster Anwendungsfall ist realistisch in vier bis acht Wochen produktiv, wenn die Daten vorhanden und die Entscheidungswege kurz sind. Projekte, die länger als ein Quartal ohne sichtbares Ergebnis laufen, haben meist ein Scope-Problem, kein Technikproblem.

Fazit

KI ist im Mittelstand angekommen, aber nicht als große Umwälzung, sondern als stille Entlastung an vielen kleinen Stellen. Die Unternehmen, bei denen es funktioniert, haben selten die aufregendsten Projekte. Sie haben klein angefangen, an einer Stelle, an der jede Woche Zeit verloren ging, haben den Erfolg messbar gemacht und erst danach den nächsten Schritt geplant.

Wenn Sie überlegen, wo bei Ihnen der sinnvolle erste Schritt liegt, sprechen Sie uns an. Wir bauen digitale Produkte, die in Betrieb bleiben, und sagen ehrlich, wenn eine einfachere Lösung als KI die bessere Antwort ist. Wie wir dabei vorgehen, beschreibt unsere Leistungsseite zur KI-Integration.