Mehr als zwei Drittel der mittelständischen Unternehmen in Deutschland haben KI auf der strategischen Agenda. Deutlich weniger haben ein laufendes Projekt. Und von denen, die eines gestartet haben, berichten viele nach zwölf Monaten, dass der Nutzen hinter den Erwartungen zurückgeblieben ist.
KI im Mittelstand hat kein „Technologieproblem“ sondern ein Vorgehensproblem.
Künstliche Intelligenz funktioniert im Unternehmenskontext dann, wenn sie auf ein konkretes Problem trifft nicht auf eine abstrakte Digitalisierungsstrategie. Der Weg dorthin ist methodisch, manchmal unbequem, und beginnt fast nie mit dem, was Unternehmen zuerst fragen: Welche KI-Tools gibt es? Er beginnt mit einer anderen Frage: Wo verlieren wir gerade Zeit, Geld oder Qualität und ist das ein Problem, das mit Daten bzw. KI lösbar ist?
Der KI-Reifegrad: Warum der Startpunkt entscheidend ist
Nicht jedes Unternehmen ist gleich weit. Das klingt trivial, hat aber erhebliche Konsequenzen für das, was sinnvoll umzusetzen ist.
Ein Unternehmen, das seine Kernprozesse noch nicht digital dokumentiert hat, wird keinen Nutzen aus einem Machine-Learning-Modell ziehen, das Muster in Prozessdaten erkennt, weil die Daten schlicht nicht existieren. Ein Unternehmen, das keine klare Datenstrategie hat, wird bei der Einführung von Predictive Maintenance scheitern, nicht weil die Technologie nicht funktioniert, sondern weil die Datenqualität die Modelle systematisch falsch trainiert.
Der KI-Reifegrad eines Unternehmens lässt sich grob entlang dreier Dimensionen messen: Datenverfügbarkeit und -qualität, Prozessreife und -transparenz, sowie organisatorische Bereitschaft — also ob Führung und Mitarbeitende den Wandel mittragen. Wer in allen drei Bereichen ehrlich analysiert, wo er steht, trifft bessere Entscheidungen darüber, welche Use Cases realistisch sind und welche noch nicht.
Use Cases: Die Kunst des richtigen Anfangs
In der Beratungspraxis zeigt sich immer wieder dasselbe Muster: Unternehmen wollen groß einsteigen. Ein unternehmensweites KI-System, das alle Prozesse verbindet, alle Daten auswertet, alle Entscheidungen unterstützt. Was dabei entsteht, ist meist ein langer Evaluationsprozess, ein komplexes Anforderungsdokument und ein Projekt, das nie live geht.
Effektiver ist ein anderer Ansatz: den Use Case wählen, der den höchsten Business Impact bei vergleichsweise geringer Implementierungskomplexität hat.
Das sind häufig keine spektakulären Anwendungen, sondern pragmatische:
- Ein KI-gestützter Kundenservice etwa, der häufige Standardanfragen automatisiert beantwortet, entlastet Support-Teams messbar und liefert gleichzeitig Daten darüber, welche Kundenfragen am häufigsten auftreten. Diese Daten sind für Produktentwicklung und Kommunikation oft wertvoller als die Automatisierung selbst.
- Intelligente Dokumentenverarbeitung — also die automatische Extraktion und Klassifikation von Informationen aus eingehenden Rechnungen, Verträgen oder Formularen — ist ein weiterer Bereich, der in mittelständischen Unternehmen erhebliche manuelle Aufwände bindet, gut automatisierbar ist und schnell messbare Ergebnisse liefert.
- Predictive Maintenance in der Produktion ist konzeptionell attraktiv, aber in der Praxis anspruchsvoller: Sie setzt voraus, dass Sensordaten in ausreichender Qualität vorliegen, historische Ausfallmuster dokumentiert sind, und dass die Instandhaltungsplanung flexibel genug ist, um auf Vorhersagen zu reagieren. Wo diese Voraussetzungen erfüllt sind, können Ausfallzeiten signifikant reduziert werden. Wo sie fehlen, produziert das Modell Rauschen statt Erkenntnisse.
Der EU AI Act: Compliance als Wettbewerbsvorteil, nicht als Bürde
Seit August 2024 gilt der EU AI Act schrittweise. Bis 2026 müssen Unternehmen, die bestimmte KI-Systeme einsetzen oder entwickeln, Anforderungen an Transparenz, Risikobewertung und menschliche Aufsicht erfüllen.
Die häufige Reaktion: Abwarten, bis Klarheit herrscht. Das ist eine riskante Strategie. Wer jetzt anfängt, seine KI-Use Cases nach Risikoklassen zu dokumentieren, Entscheidungsprozesse nachvollziehbar zu gestalten und Verantwortlichkeiten klar zuzuweisen, baut eine Infrastruktur auf, die ohnehin Best Practice ist unabhängig vom regulatorischen Druck.
Konkret: Hochrisiko-KI-Systeme (etwa solche, die Personalentscheidungen unterstützen oder in sicherheitskritischen Infrastrukturen eingesetzt werden) erfordern eine technische Dokumentation, ein Risikomanagement-System und menschliche Kontrollmechanismen. Wer dies systematisch aufbaut, hat gegenüber Wettbewerbern, die es nicht tun, einen nachweisbaren Vertrauensvorsprung gegenüber Kunden, Partnern und zukünftigen Mitarbeitenden.
Daten als Grundlage: Warum KI-Projekte ohne Datenstrategie Sandburgen bauen
KI-Modelle sind nur so gut wie die Daten, mit denen sie trainiert und betrieben werden. Das ist bekannt und wird dennoch systematisch unterschätzt.
In der Praxis bedeutet das: Bevor ein Unternehmen in KI investiert, lohnt es sich zu fragen, ob die Daten, auf die das Modell zugreifen soll, vollständig, aktuell und konsistent vorliegen. Oft ist die Antwort: teilweise. Kundendaten liegen in drei verschiedenen Systemen, Produktionsdaten werden manuell erfasst, historische Servicedaten sind nicht strukturiert.
Text Mining und Large Language Models eröffnen hier neue Möglichkeiten: Auch unstrukturierte Daten wie E-Mails, Serviceanfragen oder interne Dokumentationen lassen sich heute systematisch auswerten. Was früher nur manuell lesbar war, wird zur analysierbaren Ressource. Das ist besonders für Unternehmen relevant, die über Jahre Wissen in Texten akkumuliert haben, das bisher brach lag.
Mitarbeitende mitnehmen: Der unterschätzte Erfolgsfaktor
Kein KI-Projekt scheitert an der Technologie allein. Die häufigste Ursache für mangelnde Adoption ist fehlende Einbindung der Menschen, die mit dem System arbeiten sollen.
Das beginnt mit einer ehrlichen Kommunikation: Welche Aufgaben verändert KI, welche ersetzt sie, und welche neuen Fähigkeiten brauchen Mitarbeitende? Wer diese Fragen vermeidet, erntet Misstrauen. Wer sie beantwortet, auch wenn die Antworten unbequem sind, schafft die Grundlage für eine Organisation, die Veränderung als Kompetenz versteht, nicht als Bedrohung.
KI-Literacy, also das grundlegende Verständnis dafür, wie KI-Systeme funktionieren, was sie können und was nicht, ist dabei keine Nice-to-have-Qualifikation mehr. Unternehmen, die in die digitale Grundbildung ihrer Belegschaft investieren, treffen bessere Entscheidungen darüber, welche KI-Lösungen sie einführen, wie sie diese konfigurieren und wann sie ihnen nicht vertrauen sollten.
KI ist kein Projekt. Es ist eine Haltung.
Die Unternehmen, die von KI am stärksten profitieren werden, sind nicht jene mit dem größten Budget oder den ambitioniertesten Roadmaps. Es sind jene, die anfangen. Vielleicht klein, aber methodisch sauber. Die einen Use Case wählen, der echten Schmerz adressiert. Die ihre Daten verstehen, bevor sie Modelle trainieren. Die ihre Mitarbeitenden einbeziehen, bevor die erste Lösung live geht.
Künstliche Intelligenz ist kein Transformationsprojekt mit Start- und Enddatum. Sie ist eine Fähigkeit, die Organisationen über Zeit aufbauen und zwar Entscheidung für Entscheidung, Datenpunkt für Datenpunkt.
Der beste Zeitpunkt, damit anzufangen, war vor zwei Jahren. Der zweitbeste ist jetzt.
Mehr zum Thema Digitale Transformation:
- KI im Mittelstand: Warum die meisten Projekte scheitern, bevor sie beginnen
- Vibe Marketing: Warum wir im Marketing neu fühlen lernen müssen
- Digitale Barrierefreiheit und Markenidentität: Herausforderung oder Chance?
- Was bedeutet VUCA im Kontext von Digitalstrategien?
- Die Bedeutung einer KI-Strategie für zukunftsorientierte Unternehmen
Foto von Jackson Sophat auf Unsplash
