Der Mittelstand braucht keine weitere Transformationserzählung
Künstliche Intelligenz wird häufig als grundlegende Veränderung nahezu aller Geschäftsbereiche beschrieben.
Unternehmen sollen:
- neue Geschäftsmodelle entwickeln,
- Prozesse vollständig automatisieren,
- ihre Datenstrategie neu aufbauen,
- Mitarbeitende umfassend qualifizieren,
- moderne Plattformen einführen,
- und möglichst schnell eine unternehmensweite KI-Strategie formulieren.
Für ein mittelständisches Unternehmen klingt das schnell nach einem mehrjährigen Großprojekt.
Gleichzeitig läuft der normale Betrieb weiter:
- Kunden erwarten Antworten.
- Aufträge müssen abgewickelt werden.
- Maschinen müssen verfügbar bleiben.
- Rechnungen müssen geprüft werden.
- Mitarbeitende benötigen Unterstützung.
- IT-Systeme müssen funktionieren.
- Fachkräfte sind bereits ausgelastet.
Deshalb beginnt ein realistischer KI-Einsatz nicht mit der vollständigen Neuerfindung des Unternehmens.
Er beginnt mit einer konkreten betrieblichen Frage:
Wo verlieren wir heute regelmäßig Zeit, Qualität oder Wissen – und welcher begrenzte Teil davon lässt sich sinnvoll verbessern?
Diese Frage ist weniger spektakulär als die große Transformationsvision.
Für den Mittelstand ist sie jedoch wesentlich wertvoller.
Mittelständische Unternehmen starten unter anderen Bedingungen
Ein kleiner oder mittlerer Betrieb besitzt andere Voraussetzungen als ein internationaler Konzern oder ein technologieorientiertes Start-up.
Typisch sind:
- gewachsene IT-Systeme,
- begrenzte interne IT-Kapazitäten,
- hohe Abhängigkeit von Erfahrungswissen,
- zahlreiche manuelle Übergaben,
- kurze Entscheidungswege,
- enge Kundenbeziehungen,
- hoher Kosten- und Wettbewerbsdruck,
- und wenig Spielraum für Projekte ohne klaren Nutzen.
Diese Bedingungen sind keine Schwäche.
Sie verlangen lediglich einen anderen Ansatz.
Ein Mittelständler benötigt keine KI-Landschaft, die nur mit einem dauerhaft großen Projektteam betrieben werden kann. Er benötigt Lösungen, die:
- einen konkreten Prozess verbessern,
- vorhandene Systeme berücksichtigen,
- nachvollziehbar funktionieren,
- klare Verantwortlichkeiten besitzen,
- schrittweise eingeführt werden,
- und nach der Umsetzung im Unternehmen beherrschbar bleiben.
Die passende KI-Strategie ist deshalb selten maximal groß.
Sie ist präzise.
Das eigentliche Problem liegt häufig zwischen den Systemen
Viele Unternehmen verfügen bereits über zahlreiche digitale Anwendungen:
- ERP,
- CRM,
- Buchhaltung,
- Dokumentenmanagement,
- E-Mail,
- Microsoft 365 oder Google Workspace,
- Warenwirtschaft,
- Projektmanagement,
- Personalsoftware,
- Produktions- und Servicelösungen,
- sowie individuelle Fachanwendungen.
Trotzdem entstehen täglich manuelle Tätigkeiten.
Mitarbeitende:
- übertragen Daten aus E-Mails in das CRM,
- kopieren Informationen aus PDFs in Tabellen,
- suchen aktuelle Dokumentversionen,
- vergleichen Rechnungen mit Bestellungen,
- erstellen Angebote aus mehreren Vorlagen,
- fragen Kollegen nach bekannten Informationen,
- oder pflegen denselben Status in mehreren Systemen.
Das Unternehmen ist digital ausgestattet.
Der Prozess ist dennoch nicht durchgängig digital.
In vielen KMU fehlt nicht die Software. Es fehlen die verlässlichen Verbindungen zwischen Informationen, Menschen und Arbeitsschritten.
Genau an diesen Übergängen können Automatisierung und KI besonders wirksam werden.
KI ist kein Selbstzweck
Die Frage „Wo können wir KI einsetzen?“ führt häufig in die falsche Richtung.
Sie lenkt den Blick auf Technologie statt auf den betrieblichen Bedarf.
Besser sind Fragen wie:
- Wo entsteht besonders viel manueller Aufwand?
- Welche Aufgaben wiederholen sich regelmäßig?
- Wo müssen Informationen immer wieder zusammengesucht werden?
- Welche Vorgänge bleiben zu lange unbearbeitet?
- Wo passieren typische Übertragungsfehler?
- Welches Wissen hängt an einzelnen Personen?
- Welche Kundenanfragen benötigen immer dieselben Vorbereitungsschritte?
- Welche Dokumente müssen regelmäßig geprüft oder eingeordnet werden?
Erst wenn ein relevantes Problem sichtbar ist, sollte geprüft werden, welche Lösung geeignet ist.
Diese Lösung kann KI enthalten.
Sie kann aber auch bestehen aus:
- einer besseren Schnittstelle,
- einem klareren Prozess,
- einer strukturierten Datenbasis,
- klassischen Geschäftsregeln,
- einer Suchfunktion,
- oder einer einfachen Workflow-Automatisierung.
Ein gutes Projekt verwendet nicht möglichst viel KI.
Es verwendet genau so viel Technologie, wie für den gewünschten Nutzen erforderlich ist.
Fünf sinnvolle Startpunkte für den Mittelstand
Bestimmte Anwendungsfälle eignen sich besonders gut für einen pragmatischen Einstieg.
Sie sind häufig klar abgrenzbar, messbar und mit bestehenden Systemen verbindbar.
1. Kundenanfragen erfassen und vorbereiten
Kundenanfragen kommen über:
- E-Mail,
- Kontaktformulare,
- gemeinsame Postfächer,
- Portale,
- oder weitergeleitete Nachrichten.
Mitarbeitende müssen daraus erkennen:
- Wer fragt an?
- Worum geht es?
- Welche Leistung wird benötigt?
- Welche Informationen fehlen?
- Wer ist zuständig?
- Gibt es bereits einen Kunden oder Vorgang?
- Welcher nächste Schritt ist erforderlich?
Ein intelligenter Prozess kann:
- die Anfrage erfassen,
- den Inhalt klassifizieren,
- Kunden- und Projektdaten zuordnen,
- Anforderungen strukturieren,
- fehlende Angaben sichtbar machen,
- und eine passende Rückfrage vorbereiten.
Der Vertrieb beginnt dadurch nicht mehr bei null.
Die fachliche Bewertung und verbindliche Kommunikation bleiben beim Menschen.
2. Angebote schneller und konsistenter vorbereiten
Die Erstellung eines Angebots besteht selten nur aus dem Schreiben eines Dokuments.
Notwendig sind häufig:
- Kundeninformationen,
- Produkt- oder Leistungsdaten,
- Kalkulationen,
- Projektphasen,
- Annahmen,
- Abgrenzungen,
- Vertragsbausteine,
- Freigaben,
- und frühere Vergleichsangebote.
Ein unterstütztes System kann diese Informationen zusammenführen und einen prüfbaren Entwurf vorbereiten.
Es kann beispielsweise:
- freigegebene Leistungsbausteine auswählen,
- fehlende Angaben markieren,
- eine Projektstruktur vorschlagen,
- Standardannahmen ergänzen,
- und den Vorgang im CRM dokumentieren.
Preise, Rabatte, Termine und verbindliche Zusagen bleiben freigabepflichtig.
Automatisiert wird der administrative Vorlauf.
Nicht die kaufmännische Verantwortung.
3. Dokumente und Rechnungen verarbeiten
In vielen Unternehmen werden Informationen noch manuell aus Dokumenten übernommen.
Dazu gehören:
- Rechnungen,
- Lieferscheine,
- Bestellungen,
- Verträge,
- Formulare,
- Zertifikate,
- Serviceberichte,
- und technische Unterlagen.
Eine moderne Dokumentenverarbeitung kann:
- Dokumenttypen erkennen,
- relevante Informationen extrahieren,
- Werte mit bestehenden Daten abgleichen,
- Pflichtangaben prüfen,
- Vorgänge zuordnen,
- und unklare Fälle an die richtige Person übergeben.
Wichtig ist die Kombination aus KI und festen Regeln.
Ein Sprachmodell kann Inhalte verstehen und einordnen.
Geschäftsregeln prüfen dagegen eindeutig:
- Ist eine Bestellnummer vorhanden?
- Stimmen Beträge überein?
- Ist eine zweite Freigabe notwendig?
- Wurde dieselbe Rechnung bereits eingereicht?
- Darf diese Person den Vorgang genehmigen?
So entsteht ein kontrollierter Prozess statt einer schwer nachvollziehbaren automatischen Entscheidung.
4. Internes Wissen zugänglich machen
Unternehmenswissen liegt häufig verteilt über:
- Handbücher,
- Richtlinien,
- Projektordner,
- Präsentationen,
- Intranet-Seiten,
- technische Dokumentationen,
- Schulungsunterlagen,
- und die Erfahrung einzelner Mitarbeitender.
Eine klassische Suche liefert Dokumente.
Ein quellenbasierter Wissensassistent kann eine konkrete Frage beantworten und gleichzeitig zeigen, worauf die Antwort beruht.
Beispiel:
Welche Freigabe benötige ich für eine externe Dienstleistung über 20.000 Euro?
Das System sucht ausschließlich in freigegebenen Quellen, berücksichtigt Zugriffsrechte und verweist auf die verwendete Richtlinie und den relevanten Abschnitt.
Es sollte auch erkennen, wenn:
- keine belastbare Quelle vorhanden ist,
- mehrere Dokumente einander widersprechen,
- eine Regelung veraltet ist,
- oder die anfragende Person keine Berechtigung besitzt.
Die KI ersetzt damit nicht die fachliche Verantwortung.
Sie verkürzt die Suche und macht bestehendes Wissen leichter nutzbar.
5. Content-Produktion aus vorhandenem Wissen skalieren
Viele mittelständische Unternehmen besitzen umfangreiches Fachwissen, zeigen es aber nur unregelmäßig nach außen.
Wertvolle Inhalte liegen in:
- Präsentationen,
- Kundengesprächen,
- Projektberichten,
- Workshops,
- technischen Unterlagen,
- Interviews,
- und Erfahrungen der Fachkräfte.
Eine strategische Content-Pipeline kann daraus:
- Fachartikel,
- Newsletter,
- Social-Media-Beiträge,
- Präsentationen,
- Videoskripte,
- Produkttexte,
- und Vertriebsunterlagen entwickeln.
Entscheidend ist, dass alle Formate aus einem gemeinsamen, geprüften Inhaltskern entstehen.
So bleiben:
- Aussagen,
- Quellen,
- Fachbegriffe,
- Markenstimme,
- und Positionierung
über mehrere Kanäle hinweg konsistent.
Die KI unterstützt bei Recherche, Strukturierung und Variantenbildung.
Veröffentlicht wird erst nach fachlicher und redaktioneller Freigabe.
Der richtige Use Case ist wichtiger als das richtige KI-Modell
Viele Projekte beginnen mit der Auswahl eines Werkzeugs.
Es wird diskutiert:
- Welches Sprachmodell ist am leistungsfähigsten?
- Welche Plattform bietet die meisten Funktionen?
- Welche Automatisierungssoftware ist am modernsten?
- Welcher Anbieter besitzt die beste Benutzeroberfläche?
Diese Fragen sind nicht unwichtig.
Sie kommen jedoch zu früh.
Der Erfolg hängt zunächst davon ab, ob der Anwendungsfall geeignet ist.
Ein sinnvoller erster Use Case besitzt idealerweise:
- ein klar beschriebenes Problem,
- einen eindeutigen Anfang und ein eindeutiges Ende,
- ausreichend häufige Vorgänge,
- messbaren manuellen Aufwand,
- bekannte Datenquellen,
- überschaubare Risiken,
- eine verantwortliche Fachperson,
- und einen erkennbaren Nutzen.
Weniger geeignet für den Einstieg sind Prozesse, die:
- kaum dokumentiert sind,
- sehr viele unklare Ausnahmen enthalten,
- sicherheitskritische Entscheidungen vollständig automatisieren sollen,
- zahlreiche Altsysteme gleichzeitig ersetzen,
- oder keine benannte Verantwortung besitzen.
Ein kleiner, produktiver Use Case ist wertvoller als eine große KI-Vision ohne belastbaren Betrieb.
Wirkung vor technischer Faszination
Ein Use Case sollte nicht danach priorisiert werden, wie beeindruckend seine Demonstration aussieht.
Er sollte danach bewertet werden, welche Wirkung im Unternehmen entsteht.
Geeignete Bewertungskriterien sind:
Häufigkeit
Wie oft tritt der Vorgang auf?
Eine kleine Zeitersparnis kann bei mehreren tausend Vorgängen im Jahr erheblich sein.
Aufwand
Wie viel Arbeitszeit wird heute benötigt?
Dabei zählen nicht nur Bearbeitungszeiten, sondern auch:
- Suche,
- Rückfragen,
- Wartezeiten,
- Korrekturen,
- und Übergaben.
Fehleranfälligkeit
Wie häufig entstehen:
- falsche Zuordnungen,
- unvollständige Daten,
- veraltete Informationen,
- oder doppelte Erfassung?
Geschäftliche Bedeutung
Welche Auswirkungen besitzt der Prozess auf:
- Kunden,
- Umsatz,
- Kosten,
- Qualität,
- Lieferfähigkeit,
- oder Mitarbeiterzufriedenheit?
Umsetzbarkeit
Sind Daten, Verantwortliche und Schnittstellen vorhanden?
Risiko
Welche Folgen hätte eine falsche oder unzulässige Entscheidung?
Aus diesen Kriterien lässt sich eine realistische Priorisierung entwickeln.
Nicht jeder interessante Use Case ist gleichzeitig ein guter erster Use Case.
Klein starten bedeutet nicht klein denken
Ein Pilotprojekt wird manchmal mit einer provisorischen Demonstration verwechselt.
Ein sinnvoller Pilot ist jedoch kein Spielzeug.
Er bildet einen begrenzten Prozess vollständig ab.
Das bedeutet:
- reale Nutzer,
- realistische Daten,
- definierte Berechtigungen,
- nachvollziehbare Ergebnisse,
- bekannte Fehlerwege,
- menschliche Freigaben,
- und messbare Zielgrößen.
Beispiel:
Nicht:
Wir testen, ob eine KI E-Mails zusammenfassen kann.
Sondern:
Eingehende Serviceanfragen eines definierten Produktbereichs werden automatisch erfasst, strukturiert und dem passenden Vorgang zugeordnet. Fehlende Informationen werden markiert. Der zuständige Servicemitarbeiter erhält einen prüfbaren Bearbeitungsvorschlag.
Der Umfang ist begrenzt.
Der Prozess ist trotzdem produktionsnah.
So lässt sich erkennen, ob die Lösung im Alltag tatsächlich funktioniert.
Ein möglicher 90-Tage-Einstieg
Ein pragmatisches Projekt kann in überschaubaren Phasen aufgebaut werden.
Phase 1: Prozess verstehen
Zunächst wird der heutige Ablauf aufgenommen.
Dabei werden nicht nur offizielle Prozessbeschreibungen betrachtet.
Wichtig ist, wie die Arbeit tatsächlich erfolgt.
Zu erfassen sind:
- beteiligte Personen,
- Eingangskanäle,
- Systeme,
- Daten,
- manuelle Schritte,
- Wartezeiten,
- Sonderfälle,
- Fehler,
- und informelle Hilfslösungen.
Das Ergebnis ist kein abstraktes Transformationsmodell, sondern ein verständliches Bild des realen Prozesses.
Phase 2: Ziel und Messgrößen definieren
Anschließend wird festgelegt, was sich verbessern soll.
Mögliche Ziele:
- Bearbeitungszeit reduzieren,
- manuelle Übertragungen verringern,
- Antwortqualität erhöhen,
- Suchzeiten verkürzen,
- Transparenz schaffen,
- oder Fehler früher erkennen.
Dazu gehören messbare Ausgangswerte.
Beispiel:
- durchschnittlich 18 Minuten Bearbeitungszeit pro Anfrage,
- vier manuelle Systemwechsel,
- 30 Prozent unvollständige Vorgänge,
- zwei Tage bis zur qualifizierten Erstreaktion.
Ohne Ausgangswert bleibt später unklar, ob tatsächlich eine Verbesserung entstanden ist.
Phase 3: Daten und Schnittstellen prüfen
Für den ausgewählten Prozess wird geklärt:
- Welche Informationen sind notwendig?
- Wo liegen sie?
- Welches System ist führend?
- Welche Schnittstellen existieren?
- Welche Datenqualität ist vorhanden?
- Welche Zugriffsrechte gelten?
- Welche Informationen dürfen verarbeitet werden?
Dabei zeigt sich häufig, dass nicht das KI-Modell die größte Herausforderung ist.
Häufig fehlen:
- eindeutige Stammdaten,
- dokumentierte Schnittstellen,
- klare Zuständigkeiten,
- oder gepflegte Quellen.
Diese Grundlagen sollten früh sichtbar werden.
Phase 4: Pilot umsetzen
Der Pilot verbindet:
- Dateneingang,
- Verarbeitung,
- Geschäftsregeln,
- KI-Unterstützung,
- menschliche Prüfung,
- Statusführung,
- und Protokollierung.
Nicht nur der erfolgreiche Fall wird getestet.
Ebenso wichtig sind Situationen wie:
- unvollständige Daten,
- widersprüchliche Informationen,
- fehlende Berechtigung,
- nicht erreichbares Zielsystem,
- oder eine zu unsichere KI-Einschätzung.
Phase 5: Im Alltag testen
Eine ausgewählte Nutzergruppe arbeitet mit der Lösung.
Erfasst werden:
- Qualität,
- Zeitaufwand,
- Fehler,
- Rückfragen,
- Akzeptanz,
- und unerwartete Sonderfälle.
Die Rückmeldungen fließen direkt in die Verbesserung ein.
Phase 6: Betrieb entscheiden
Erst nach dem Pilot wird festgelegt:
- Welche Funktionen werden produktiv übernommen?
- Welche Teile müssen angepasst werden?
- Welche Verantwortlichkeiten sind dauerhaft notwendig?
- Welche weiteren Prozesse können angeschlossen werden?
- Welche Technologie soll langfristig eingesetzt werden?
So entsteht eine Investitionsentscheidung auf Basis realer Erfahrung statt auf Basis einer Produktdemonstration.
Bestehende Systeme schrittweise anbinden
Ein KI-Projekt muss nicht mit einer neuen zentralen Plattform beginnen.
Oft ist es sinnvoller, vorhandene Systeme weiterzuverwenden und gezielt zu verbinden.
Beispielsweise:
- E-Mail bleibt Eingangskanal.
- Das CRM bleibt führend für Kundendaten.
- Das ERP bleibt führend für Aufträge und Preise.
- Das Dokumentenmanagement bleibt Ablage für Originaldokumente.
- Die Workflow-Schicht koordiniert Übergaben.
- Die KI übernimmt klar definierte sprachliche oder analytische Aufgaben.
Dadurch werden bewährte Systeme nicht unnötig ersetzt.
Gleichzeitig entsteht ein durchgängigerer Prozess.
Wichtig ist, für jeden Datentyp zu klären:
- Wo wird er gepflegt?
- Wer ist verantwortlich?
- Welche Anwendung darf ihn lesen?
- Welche Anwendung darf ihn verändern?
- Wie werden Änderungen protokolliert?
Diese Klarheit verhindert neue Datensilos.
Offene Schnittstellen reduzieren Abhängigkeiten
Viele Unternehmen zögern bei KI-Projekten, weil sie keine dauerhafte Bindung an einen einzelnen Anbieter eingehen möchten.
Diese Sorge ist berechtigt.
Eine modulare Architektur kann Abhängigkeiten begrenzen.
Dafür werden unterschiedliche Aufgaben getrennt:
- Benutzeroberfläche,
- Prozesssteuerung,
- Datenhaltung,
- Dokumentenverarbeitung,
- Wissenssuche,
- KI-Modelle,
- Monitoring,
- und externe Systeme.
Zwischen diesen Komponenten liegen dokumentierte Schnittstellen.
Dadurch kann später beispielsweise:
- ein anderes Sprachmodell eingesetzt,
- ein neuer Datenbestand angebunden,
- eine Komponente selbst betrieben,
- oder ein Anbieter gewechselt werden,
ohne den gesamten Prozess neu entwickeln zu müssen.
Vollständige Unabhängigkeit ist selten möglich.
Aber Abhängigkeiten können sichtbar, begrenzt und beherrschbar gestaltet werden.
Das KI-Modell sollte austauschbar bleiben
Modelle unterscheiden sich in:
- Qualität,
- Geschwindigkeit,
- Kosten,
- Datenschutz,
- Sprachfähigkeit,
- Kontextgröße,
- und technischer Verfügbarkeit.
Nicht jede Aufgabe benötigt das leistungsfähigste Modell.
Ein sinnvoller Aufbau kann verschiedene Modelle für unterschiedliche Aufgaben verwenden.
Beispiele:
- ein günstiges Modell für Klassifikation,
- ein stärkeres Modell für komplexe Analyse,
- ein lokales Modell für besonders vertrauliche Inhalte,
- ein spezialisiertes Modell für Dokumente,
- oder eine klassische Regel ohne KI.
Die fachliche Aufgabe sollte deshalb möglichst von einem einzelnen Anbieter getrennt werden.
Definiert werden:
- Eingabedaten,
- Arbeitsauftrag,
- erwartetes Ergebnis,
- Qualitätskriterien,
- und erlaubte Aktionen.
Das konkrete Modell bleibt austauschbar.
Menschliche Verantwortung muss sichtbar bleiben
Ein produktiver KI-Einsatz benötigt klare Grenzen.
Zu klären ist:
- Welche Aufgaben darf das System selbstständig ausführen?
- Welche Ergebnisse müssen geprüft werden?
- Welche Entscheidungen bleiben grundsätzlich beim Menschen?
- Wer trägt die fachliche Verantwortung?
- Wie wird mit Unsicherheit umgegangen?
- Wie können falsche Ergebnisse korrigiert werden?
- Wie wird eine Entscheidung später nachvollzogen?
Besonders freigabepflichtig bleiben häufig:
- Preise,
- Verträge,
- Zahlungen,
- Personalentscheidungen,
- sicherheitskritische Maßnahmen,
- rechtliche Aussagen,
- verbindliche Kundenzusagen,
- und Veränderungen sensibler Daten.
Ein gutes System zeigt deutlich:
- welche Informationen automatisch übernommen wurden,
- welche Quellen verwendet wurden,
- welche Annahmen bestehen,
- welche Regeln angewendet wurden,
- und wer die finale Entscheidung getroffen hat.
Automatisierung darf Verantwortung nicht unsichtbar machen.
Unsicherheit ist ein wichtiger Systemzustand
KI-Systeme können überzeugend formulieren, obwohl die Grundlage nicht ausreichend ist.
Deshalb muss ein betriebliches System Unsicherheit erkennen und sichtbar machen können.
Mögliche Zustände sind:
- eindeutiger Vorgang,
- unvollständige Daten,
- widersprüchliche Informationen,
- geringe Zuordnungssicherheit,
- fehlende Quelle,
- fehlende Berechtigung,
- oder technische Störung.
Ein verlässliches System versucht nicht, jeden Fall automatisch zu erzwingen.
Es kann beispielsweise melden:
Die Kundenanfrage konnte keinem bestehenden Vorgang eindeutig zugeordnet werden. Zwei mögliche Projekte wurden gefunden. Bitte prüfen Sie die Auswahl.
Oder:
Für die angefragte Leistung wurde kein freigegebener Preis gefunden. Eine kaufmännische Prüfung ist erforderlich.
Diese kontrollierte Übergabe an einen Menschen ist kein Scheitern.
Sie ist Teil eines belastbaren Betriebs.
Datenschutz und Sicherheit gehören an den Anfang
Viele KI-Projekte verarbeiten Informationen wie:
- Kundendaten,
- Angebote,
- Rechnungen,
- technische Unterlagen,
- Verträge,
- Personaldaten,
- oder internes Unternehmenswissen.
Deshalb müssen Datenschutz und Sicherheit bereits bei der Konzeption berücksichtigt werden.
Wichtige Fragen sind:
- Welche Daten werden verarbeitet?
- Für welchen Zweck?
- Welche Informationen sind tatsächlich notwendig?
- Werden externe Anbieter eingesetzt?
- Wo findet die Verarbeitung statt?
- Wie lange werden Daten gespeichert?
- Wer darf Ergebnisse einsehen?
- Wie werden Zugriffe protokolliert?
- Wie werden Daten gelöscht oder korrigiert?
- Welche Informationen dürfen nicht an ein Modell übergeben werden?
Nicht jeder Prozess benötigt vollständige Dokumente.
Daten können beispielsweise:
- gefiltert,
- gekürzt,
- pseudonymisiert,
- oder in einer kontrollierten Umgebung verarbeitet werden.
Die richtige Architektur transportiert nicht möglichst viele Daten.
Sie verwendet nur die für die konkrete Aufgabe erforderlichen Informationen.
Betrieb ist wichtiger als die erste Demonstration
Ein Prototyp funktioniert häufig unter idealen Bedingungen.
Im Alltag treten jedoch Situationen auf wie:
- ein System ist nicht erreichbar,
- Zugangsdaten laufen ab,
- ein Dokument ist beschädigt,
- ein Datenfeld ändert sich,
- ein Vorgang wird doppelt gesendet,
- ein Modell liefert kein gültiges Ergebnis,
- oder ein externer Anbieter begrenzt den Zugriff.
Ein produktives System benötigt deshalb:
- verständliche Fehlermeldungen,
- Wiederholungsmechanismen,
- Monitoring,
- Protokollierung,
- Statusanzeigen,
- Eskalationswege,
- manuelle Korrekturmöglichkeiten,
- und dokumentierte Verantwortlichkeiten.
Ein Fehler darf nicht still verschwinden.
Er muss sichtbar und bearbeitbar werden.
Der Erfolg eines KI-Projekts zeigt sich nicht in der Demonstration, sondern an einem gewöhnlichen Dienstag im laufenden Betrieb.
Systeme müssen ohne dauerhaftes Beraterteam funktionieren
Externe Unterstützung kann notwendig sein, um:
- den Prozess zu analysieren,
- die Architektur zu entwickeln,
- Schnittstellen umzusetzen,
- Sicherheitsfragen zu klären,
- und einen Pilot aufzubauen.
Langfristig sollte das Unternehmen jedoch verstehen können:
- wie der Prozess funktioniert,
- welche Systeme beteiligt sind,
- welche Regeln gelten,
- wie Fehler erkannt werden,
- wer Änderungen vornehmen darf,
- und welche Kosten entstehen.
Dazu gehören:
- verständliche Dokumentation,
- klare Zuständigkeiten,
- Schulung der beteiligten Personen,
- nachvollziehbare Konfiguration,
- und eine Übergabe in den regulären Betrieb.
Eine Lösung, die nur durch dauerhaftes externes Spezialwissen funktionsfähig bleibt, erzeugt eine neue Abhängigkeit.
Das Ziel sollte eine betreibbare Unternehmensfähigkeit sein.
Fördermöglichkeiten früh prüfen
Digitalisierungs- und KI-Projekte können je nach Vorhaben grundsätzlich für unterschiedliche Finanzierungs- oder Förderansätze infrage kommen.
Eine Prüfung sollte jedoch früh erfolgen.
Wenn bereits verbindliche Aufträge vergeben oder wesentliche Projektarbeiten begonnen wurden, kann es für bestimmte Programme zu spät sein.
Gleichzeitig sollte kein Projekt allein deshalb umgesetzt werden, weil eine Förderung verfügbar erscheint.
Der richtige Ablauf lautet:
- betriebliches Problem verstehen,
- wirtschaftlichen Nutzen bewerten,
- Projekt sinnvoll strukturieren,
- Finanzierungsoptionen prüfen,
- erst danach über die konkrete Umsetzung entscheiden.
Förderung kann ein gutes Vorhaben ermöglichen oder beschleunigen.
Sie ersetzt keine tragfähige Investitionsentscheidung.
Ein Praxisbeispiel: Kundenanfragen im technischen Vertrieb
Ein mittelständischer Anlagenbauer erhält täglich Anfragen per E-Mail.
Darin enthalten sind:
- technische Fragen,
- Ersatzteilanfragen,
- Modernisierungswünsche,
- Servicefälle,
- und Angebotsanfragen.
Der heutige Ablauf:
- Ein Mitarbeiter liest die Nachricht.
- Der Kunde wird im CRM gesucht.
- Die Anlage wird manuell zugeordnet.
- Anhänge werden geöffnet.
- Fehlende Angaben werden festgestellt.
- Die Nachricht wird intern weitergeleitet.
- Der Bearbeitungsstand wird manuell dokumentiert.
Probleme:
- lange Reaktionszeiten,
- unklare Zuständigkeiten,
- wiederkehrende Dateneingabe,
- und unterschiedliche Bearbeitungsqualität.
Ein produktiver Pilot könnte:
- eingehende Nachrichten erfassen,
- Anfrageart erkennen,
- Kunden und Anlage vorschlagen,
- technische Angaben strukturieren,
- fehlende Pflichtinformationen markieren,
- den zuständigen Bereich bestimmen,
- einen Antwort- oder Rückfrageentwurf vorbereiten,
- und den Vorgang im CRM dokumentieren.
Mitarbeitende prüfen die Zuordnung und übernehmen die fachliche Kommunikation.
Der Prozess wird schneller, ohne die Kundenbeziehung zu automatisieren.
Ein Praxisbeispiel: Wissen im Qualitätsmanagement
Ein produzierendes Unternehmen besitzt zahlreiche:
- Verfahrensanweisungen,
- Prüfvorschriften,
- Formblätter,
- Auditunterlagen,
- und Schulungsdokumente.
Mitarbeitende benötigen regelmäßig Antworten auf Fragen wie:
- Welches Formular ist aktuell?
- Wer muss bei einer Abweichung informiert werden?
- Welche Frist gilt?
- Welche Prüfung ist vorgeschrieben?
- Welche Version der Anweisung ist gültig?
Ein quellenbasierter Wissensassistent könnte:
- nur freigegebene QM-Dokumente durchsuchen,
- relevante Passagen finden,
- eine verständliche Antwort formulieren,
- die aktuelle Quelle und Version anzeigen,
- und direkt zum richtigen Formular führen.
Bei widersprüchlichen Quellen erfolgt keine erfundene Antwort.
Der Konflikt wird sichtbar und an den verantwortlichen Fachbereich übergeben.
So wird die KI nicht zum neuen Regelgeber.
Sie macht bestehende Regeln besser zugänglich.
Ein Praxisbeispiel: Administrative Prozesse
Ein Unternehmen bearbeitet interne Anträge über:
- E-Mail,
- PDF-Formulare,
- Tabellen,
- und persönliche Rückfragen.
Der Ablauf hängt stark davon ab, wer den Vorgang kennt.
Ein digital unterstützter Prozess könnte:
- Anträge zentral erfassen,
- Pflichtinformationen prüfen,
- zuständige Rollen bestimmen,
- Freigaben anstoßen,
- fehlende Angaben anfordern,
- Statusinformationen bereitstellen,
- und Entscheidungen dokumentieren.
Die eigentliche Genehmigung bleibt bei der zuständigen Person.
Die administrative Koordination wird automatisiert.
Das schafft:
- weniger Rückfragen,
- kürzere Durchlaufzeiten,
- bessere Transparenz,
- und weniger Abhängigkeit von Einzelpersonen.
Wie der Nutzen messbar wird
Ein KI-Projekt sollte nicht allein an der Zahl erzeugter Antworten oder automatisierter Vorgänge bewertet werden.
Sinnvolle Kennzahlen hängen vom jeweiligen Prozess ab.
Mögliche Größen sind:
- Bearbeitungszeit pro Vorgang,
- Zeit bis zur ersten qualifizierten Reaktion,
- Zahl manueller Übertragungen,
- Suchzeit,
- Fehlerquote,
- Rückfragen,
- Durchlaufzeit,
- Anteil korrekt zugeordneter Vorgänge,
- Zahl erkannter Ausnahmen,
- Korrekturen pro Ergebnis,
- und Zufriedenheit der Mitarbeitenden.
Zusätzlich sollte geprüft werden:
- Werden Aufgaben tatsächlich einfacher?
- Entstehen neue manuelle Kontrollen?
- Wird das System im Alltag verwendet?
- Sind Zuständigkeiten klarer?
- Können Fehler schneller behoben werden?
- Bleibt der Prozess auch bei Personalwechsel verständlich?
Eine hohe Automatisierungsquote allein ist kein ausreichendes Ziel.
Eine etwas geringere Automatisierung mit hoher Zuverlässigkeit und klarer Kontrolle kann wirtschaftlich wertvoller sein.
Typische Fehler bei KI-Projekten im Mittelstand
Mit dem Werkzeug statt mit dem Problem beginnen
Ein gekauftes KI-Tool erzeugt noch keinen verbesserten Prozess.
Zu groß starten
Ein unternehmensweites Programm ohne belastbaren ersten Use Case bindet Ressourcen und erschwert Entscheidungen.
Bestehende Systeme ignorieren
Eine neue Insellösung erzeugt häufig zusätzliche Datenhaltung und weitere manuelle Übergaben.
Datenqualität unterschätzen
Unvollständige, widersprüchliche oder veraltete Daten begrenzen jede Automatisierung.
Verantwortung nicht definieren
Jedes produktive System benötigt einen fachlichen Eigentümer und klare Freigaberegeln.
Ausnahmefälle vergessen
Sonderfälle gehören zum normalen Betrieb und müssen bewusst behandelt werden.
Mitarbeitende zu spät einbeziehen
Die Menschen im Prozess kennen reale Probleme, Abkürzungen und Ausnahmen.
Demonstration mit Betrieb verwechseln
Ein überzeugender Prototyp ist noch keine belastbare Unternehmenslösung.
Vollautomatisierung zum Hauptziel machen
Nicht jede Entscheidung sollte automatisiert werden.
Anbieterabhängigkeit nicht betrachten
Daten, Schnittstellen und Geschäftslogik sollten möglichst austauschbar und dokumentiert bleiben.
Was einen guten Umsetzungspartner auszeichnet
Ein geeigneter Partner sollte nicht zuerst eine bestimmte Plattform verkaufen.
Er sollte zunächst verstehen:
- welches Problem besteht,
- wie der Prozess heute funktioniert,
- welche Systeme beteiligt sind,
- welche Verantwortung im Unternehmen bleibt,
- und welcher Nutzen realistisch erreichbar ist.
Wichtige Merkmale sind:
- verständliche Kommunikation,
- transparente Architektur,
- dokumentierte Entscheidungen,
- klare Abgrenzung von Pilot und Produktivbetrieb,
- Beachtung von Datenschutz und Sicherheit,
- offene Schnittstellen,
- realistische Aussagen,
- und eine saubere Übergabe.
Ein guter Partner macht das Unternehmen nicht dauerhaft abhängig.
Er hilft ihm, eine neue Fähigkeit aufzubauen.
Der pragmatische Weg zur eigenen KI-Roadmap
Eine KI-Roadmap muss kein umfangreiches Strategiedokument sein.
Für den Einstieg kann eine einfache Struktur genügen.
Schritt 1: Probleme sammeln
Welche wiederkehrenden Aufgaben kosten Zeit, erzeugen Fehler oder blockieren Entscheidungen?
Schritt 2: Wirkung bewerten
Welche Prozesse besitzen den größten wirtschaftlichen oder organisatorischen Hebel?
Schritt 3: Umsetzbarkeit prüfen
Sind Daten, Systeme, Fachverantwortliche und Schnittstellen vorhanden?
Schritt 4: Risiken einordnen
Welche Folgen hätte ein falsches Ergebnis?
Schritt 5: ersten Pilot auswählen
Welcher Use Case ist klein genug für einen kontrollierten Einstieg und relevant genug für einen sichtbaren Nutzen?
Schritt 6: Betrieb mitdenken
Wer übernimmt die Lösung nach dem Pilot?
Schritt 7: Erkenntnisse übertragen
Welche Daten, Schnittstellen und Komponenten können für weitere Anwendungsfälle wiederverwendet werden?
So entsteht schrittweise eine belastbare Architektur.
Nicht durch ein einmaliges Großprojekt, sondern durch verbundene produktive Schritte.
Kleine produktive Schritte schaffen strategische Handlungsfähigkeit
Ein begrenzter Use Case liefert mehr als nur eine einzelne Automatisierung.
Er zeigt:
- welche Datenqualität vorhanden ist,
- wie gut bestehende Systeme angebunden werden können,
- welche internen Rollen benötigt werden,
- wie Mitarbeitende auf die Unterstützung reagieren,
- welche Sicherheitsfragen relevant sind,
- welche Anbieter und Modelle geeignet sind,
- und wie der Betrieb organisiert werden muss.
Diese Erkenntnisse bilden die Grundlage für weitere Entscheidungen.
Aus einem ersten Pilot können wiederverwendbare Bausteine entstehen:
- Authentifizierung,
- Rechteverwaltung,
- Datenzugriff,
- Monitoring,
- Protokollierung,
- Modellanbindung,
- Review-Prozess,
- und Schnittstellen.
Dadurch wird der nächste Use Case einfacher.
So entwickelt sich aus einem konkreten Projekt schrittweise eine unternehmensweite Fähigkeit.
Digitalisierung wird handhabbar statt abstrakt
Der Mittelstand muss nicht jede technologische Entwicklung sofort übernehmen.
Er muss aber erkennen können, welche Entwicklungen für die eigenen Prozesse relevant sind.
Pragmatische KI bedeutet deshalb:
- mit einem echten Problem beginnen,
- Nutzen vor Technologie stellen,
- bestehende Systeme berücksichtigen,
- kleine produktive Schritte wählen,
- Verantwortung dokumentieren,
- Fehler und Ausnahmen einplanen,
- offene Schnittstellen nutzen,
- und den späteren Betrieb von Anfang an mitdenken.
Das Ziel ist keine möglichst futuristische Organisation.
Das Ziel ist ein Unternehmen, das:
- schneller auf Kunden reagieren kann,
- weniger Zeit durch manuelle Übergaben verliert,
- vorhandenes Wissen besser nutzt,
- administrative Belastung reduziert,
- und technische Veränderungen kontrolliert umsetzt.
Welcher Prozess kostet Sie heute unnötig Zeit?
Vielleicht werden Kundenanfragen noch manuell verteilt.
Vielleicht entstehen Angebote durch wiederholtes Copy-and-paste.
Vielleicht suchen Mitarbeitende regelmäßig nach denselben Informationen.
Vielleicht liegen Dokumente, Rechnungen oder Produktdaten in unterschiedlichen Systemen.
Vielleicht hängt ein wichtiger Ablauf an einer einzigen erfahrenen Person.
Dann lohnt sich kein allgemeiner KI-Workshop ohne konkreten Bezug.
Sinnvoller ist ein gemeinsamer Blick auf den tatsächlichen Prozess:
- Wo beginnt der Vorgang?
- Welche Informationen werden benötigt?
- Welche Systeme sind beteiligt?
- Wo entstehen Wartezeiten und Fehler?
- Welche Schritte können automatisiert vorbereitet werden?
- Welche Entscheidungen bleiben beim Menschen?
- Wie lässt sich der Nutzen messen?
- Und welcher überschaubare Pilot wäre innerhalb weniger Wochen realistisch?
Bringen Sie einen konkreten Prozess mit, der heute unnötig Zeit kostet, Wissen bindet oder Kunden ausbremst. Gemeinsam prüfen wir den Use Case ohne Technologie-Theater und entwickeln einen produktiven Einstieg, der zu den Ressourcen, Verantwortlichkeiten und bestehenden Systemen Ihres Unternehmens passt.